将 ScienceAI 设为星标
第一时间掌握
新鲜的 AI for Science 资讯
编译| 绿萝
机器学习和量子计算方法正在融合，人们对量子设备及其功能的研究兴趣激增。然而，考虑到当前的硬件限制，重要的是要推动技术向前发展，同时对量子计算机在现在和不久的将来能做什么保持现实。
最近，量子计算和量子机器学习领域的蓬勃发展吸引了大量资金来开发该技术，除了初创企业和学术实验室外，NVIDIA、亚马逊、微软、谷歌和 IBM 等大型科技公司在这一新兴领域开展基础和应用研究。毫无疑问，这种兴奋至少部分是由近年来的几个实验演示引起的，这些实验演示提供了量子计算在特定任务中的优势的证据——在这些例子中，经典计算机只能在实质上更长的时间内完成相同的任务。
随着量子算法和设备技术的不断进步，量子计算的革命是否真的正在发生？实现合适的硬件仍然是一个障碍。构建量子比特（量子计算机的构建模块）的方法并不缺乏，其中一些最常见的方法基于捕获离子、超导电路和量子光学系统，尽管基于 silicon 的选择和基于声子的选择也目前也在研究中。然而，一个普遍的挑战是，量子比特人的量子态在与其他量子比特和环境的其余部分相互作用时很容易受到干扰。量子比特操作中的错误可以通过完善的协议来纠正，但这需要大量的量子比特。现实情况是，制造具有足够数量的量子比特和足够低的错误率以进行全面容错量子计算的量子芯片目前还遥不可及。
在这种情况下，量子计算的当前阶段被称为「嘈杂的中尺度量子」（NISQ）时代，它指的是使用未经纠错的嘈杂量子比特运行的设备，因此计算能力有限，不完美。目前，最强大的量子处理器由 IBM 制造，拥有 433 个量子比特，该公司表示将在今年晚些时候发布超过 1000 个量子比特的量子处理器。
NISQ 设备通常由混合架构组成，其中部分计算由量子系统执行，而其他任务由经典处理器执行。其中一些设备可以通过基于互联网的云服务进行访问和操作，并且通常用于原理验证实验。NISQ 设备对于最初设想的那种全面量子计算应用（例如，分解大数）的前景有限。然而，最近的研究表明，可以识别许多专门但仍然有用的任务，这些任务对于当前的 NISQ 设备来说实际上是可行的。
一个活跃的研究领域是使用 NISQ 设备加速机器学习。量子监督机器学习的第一个实验实现之一使用了由超导电路制成的五个量子比特的芯片，并采用了两种类型的算法：量子核估计和量子变分分类器。另一个应用是量子强化学习，通过学习代理和环境之间的量子通信通道，量子加速已经在纳米光子处理器上得到了实验证明。对抗性量子机器学习也引起了越来越多的兴趣。从 NISQ 设备近期使用的不同角度来看，一个活跃的研究方向是利用机器学习来控制复杂量子系统模拟中的量子态，正如 Metz 和 Bukov 在《Self-correcting quantum many-body control using reinforcement learning with tensor networks》中所展示的那样。
尽管量子机器学习领域正在取得明显进展，但研究人员正在冒险进入很大程度上未知的领域，在该技术变得实际有用之前需要克服许多障碍。一个技术瓶颈是将经典数据表示为量子态。因此，量子算法似乎特别有可能在处理和处理的数据本质上是量子的应用中提供量子计算优势，就像在难以在经典计算机上表示的体系中模拟量子化学和量子固态系统的情况一样。
关键是要诚实地了解量子计算机现在和不久的将来可以做什么，以及它们是否比经典计算方法具有优势——后者也在不断进步，不断提高标准。关于量子设备当前和即将取得的进展的主张需要清楚地了解当前量子硬件的固有局限性。同时，应鼓励该领域扩大量子计算和量子机器学习可解决的问题范围。
参考内容：https://www.nature.com/articles/s42256-023-00710-9
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。
