量子機器學習為傳統的AI演算法注入活力

我們將很快看到結合了傳統機器學習演算法與量子 AI 的模型的實際應用。

二進位制計算中資訊儲存為 0 或 1。與二進位制計算不同的是，量子計算機是基於量子位元的。量子位元可以是 0 到 1 的任意值，或者同時具有這兩個值的屬性。因此，在執行計算方面有很大的優勢。

但是，我們與傳統計算機互動的方式並不適用於量子計算機。它需要專門的資料、演算法以及程式設計。

量子機器學習借鑑了傳統機器學習的原理，但其演算法會執行在量子處理器上，這使得它們比傳統的神經網路更快，並且解決了當前 AI 在海量資料集上進行研究所受到的硬體限制問題。

不過，量子神經網路（Quantum Neural Networks，QNN）的研究尚處於起步階段。對此，谷歌曾表示：“傳統的機器學習從誕生到建立監督學習的通用框架，花了很多年的時間。在量子神經網路的設計方面，我們還在探索。”

那麼，QNN 演算法將如何解決現實問題呢？

科技巨頭和量子創業公司正在考慮一種混合方法，其中一部分任務由執行在傳統計算機上的傳統神經網路完成，另一部分則由量子神經網路增強。

比如，多倫多創業公司 Xanadu 正在將量子與傳統相結合的 AI 應用於遷移學習，其結果在影像分類任務中有很好的應用前景。

（來源：Xanadu 研究論文, arxiv.org）

另外，自 2013 年以來，谷歌 AI 團隊就一直專注於為量子計算機編寫演算法。與 Xanadu 一樣，其近期目標是開發“可適用於量子裝置的量子與傳統相結合的機器學習技術”。谷歌 AI 團隊曾撰文表示：“雖然目前關於 QNN 的工作主要是理論方面的，但在不久的將來，它們將可能會在量子計算機上進行測試並得以實現。”

在谷歌發表的兩片研究論文中，其分別探索了以不同於傳統神經網路訓練方法的方式訓練 QNN，以及在模擬中測試 QNN 執行簡單影像分類任務的能力。

儘管當今最強大的量子計算機，包括谷歌正在開發的那些，已經可以控制 50 到 100 個量子位元。但研究人員表示，若要量子計算機產生更廣泛的商業影響，至少達到控制需要幾千個量子位元的水平。

鑑於量子資訊的發展可能帶給資訊領域的影響，政府和各科技公司巨頭都對量子技術研究展開了積極投資。 CB Insights 的資料顯示，2019 年量子計算領域共完成 14 筆交易，涉及金額達 1.978 億美元，相較 2018 年略有下降。

（來源：CB Insights）

其中，自 2015 年 1 月 1 日至 2020 年 2 月 9 日，就國家而言，相關交易數量佔比位居前三位的分別是美國（45.3%）、加拿大（15.6%）以及英國（14.1%）。

（來源：CB Insights）

那麼，中國在該領域的投資情況如何呢？

2019 年 10 月，Nature 曾發表一篇專欄文章，分析了近年來私人投資大量湧入量子科技領域初創公司的情況。其中，針對中國的投資，文章指出，鑑於英語媒體報導以及西方分析公司的報導很少涉及中國的投資交易，所以在文章很可能缺少一部分中國資料。不過對於量子計算在中國的發展情況，文章援引了中國科學技術大學潘建偉教授的話表示，中國的量子技術產業化也在順利進行。另外，專利的申請情況也能進行佐證：根據歐盟委員會聯合研究中心的資料，2012 年至 2017 年的量子技術創新專利中，超過 43% 來自中國的大學和企業。

（來源：Martino Travagnin/歐盟委員會聯合研究中心）

關鍵詞

與傳統計算機結合

我們將開始看到世界上最強大的兩種計算正規化——量子計算和 AI ——透過與傳統計算機結合來解決實際問題。

量子云計算

量子云計算是“雲戰爭”中的最新前沿領域，所有主要供應商，包括 AWS、谷歌、IBM 和微軟，都在大力投入其中。正如 Rigetti、微軟和 OpenAI 在 2020 年發表的一篇論文中所強調的那樣，這意味著量子計算機將與傳統 GPU 和 CPU 協同工作。我們會看到雲 AI 演算法在這樣的混合硬體平臺上執行。

https://blog.csdn.net/weixin_42137700/article/details/104279062