科學家提出超越傳統機器學習的量子演算法

來自瑞士、英國和新加坡的科學家提出了一種新的量子演算法，其進行資料分析的速度可超越傳統機器學習演算法，相關成果已發表在《物理評論快報》上。

計算機“思考”的一種方法是分析大型資料集之間的關係。新加坡國立大學量子技術中心（Centrefor Quantum Technologies，CQT）的研究人員證明了量子計算機比經典計算機能更快地進行這類分析，分析的資料型別也比以前預期的更廣。

該研究團隊提出的“量子線性系統演算法”在2月2日出版的《物理評論快報》（PhysicalReview Letters）上發表。將來，該演算法能幫助處理各類問題的數字，涵蓋商品定價、社交網路和化學結構。

研究人員表示先前的量子演算法適用於很具體的問題型別，如果希望處理其他資料的速度也能提高到量子速度，那就需要升級。這正是該研究團隊提供的東西。首個量子線性系統演算法是由另一研究團隊於2009年提出。這一演算法開啟了量子形式人工智慧或機器學習的研究。

線性系統演算法適用於大資料矩陣。例如，交易員會試著預測商品的未來價格。該矩陣可以捕捉價格隨時間變化的歷史資料以及可能影響價格的特徵資料，例如貨幣匯率。線性系統演算法通過“倒置”矩陣來計算各種特徵之間的相互關聯強弱。後續可利用該資訊來推斷未來。“分析矩陣涉及了很多計算。例如，如果矩陣的條目超過10000*10000，對經典計算機就很難了。”研究人員解釋道。這是因為計算步驟數量隨著矩陣中元素數量增大而迅速增加，矩陣規模一翻倍，會讓計算長度增加八倍。

2009年的演算法可以更好地應對較大的矩陣，但是前提是矩陣中的資料是所謂的“稀疏”資料。在這種情況下，各元素之間的關係受限，通常並不是真正的真實世界資料。

研究人員提出的新演算法比經典演算法和之前的量子演算法版本更快，對其處理的資料型別沒有限制。粗略來說，對於一個10000的方矩陣，經典演算法需要進行約一兆步計算，第一種量子演算法需數萬步，而新的量子演算法只需數百步。該演算法以“量子奇異值估算”（quantumsingular value estimation）技術為基礎。

已有一些早期量子線性系統演算法用於小規模量子計算機的理論驗證研究。該研究團隊希望與實驗團隊合作，對他們的演算法也進行理論驗證研究。他們還希望對實施該演算法所需的工作進行完全分析，發現可能存在的間接成本。

要展示出與經典演算法相比所具有的真正量子優點，還需要更大型的量子計算機。研究人員估計，“要能真正地利用實驗家構建的硬體來進行有意義的量子計算並應用於人工智慧，還需要三到五年的時間。”