量子机器学习：到底怎么运作？

随着量子计算技术的持续迭代与之配套的量子机器学习QML算法也在同步快速发展。过去数年间业内研究者普遍采用变分含噪声中等规模量子NISQ算法以此弥补当前量子设备运算环境存在噪声的缺陷。Horizon Quantum Computing该公司主营量子软件开发工具创始人兼首席执行官乔・菲茨西蒙斯表示“这类算法衍生出大量同思路机器学习方案核心逻辑相通。你可以把一段量子程序视作神经网络程序内置大量预先不赋值的参数后续通过迭代调优完成训练业内将其命名为量子神经网络变分分类器等模型也归属于这一范畴。”另一条技术路线是改造现有经典机器学习模型借助量子计算机加速运算。但噪声是绕不开的瓶颈因此必须配套量子纠错技术同时还需要量子随机存取存储器QRAM作为硬件支撑。菲茨西蒙斯补充道“如果我们能研发出低噪声量子计算机、搭建成熟的量子内存量子计算机加速经典模型与原生量子模型的潜力将彻底释放。如今我们确实可以调试各类变分算法但想要实现架构更完善的量子算法、落地带纠错功能的量子随机存取存储器还需要等待。”量子机器学习仍需走向成熟对数据科学家而言量子计算并非眼下最紧迫的技术趋势但它将从底层彻底重塑机器学习体系。“量子计算最直观的优势是能够处理经典算力完全无法承载的超大规模数据。” 菲茨西蒙斯解释“摩尔定律让传统计算机算力每18个月实现翻倍而量子计算机的量子比特数量每8至9个月就能翻一番。系统每新增一个量子比特针对机器学习类问题的运算能力就直接翻倍整体算力呈双重指数级增长。”量子设备将助力企业以计算方式建模、解析复杂系统落地场景十分广泛汽车、航空航天、能源、生命科学、保险、金融服务等行业均有巨大应用空间。随着量子比特数量不断提升量子计算机可承载复杂度持续走高的模型。“传统机器学习的研发逻辑是搭建模型后用真实业务数据测试以此完成性能基准标定。” 菲茨西蒙斯说“量子计算才刚起步还没达到这套成熟标准。而这正是量子机器学习实现规模化落地、成为可用技术的关键前提 —— 我们必须像经典机器学习领域那样完成标准化基准测试不能只在极小数据集上单次采样验证。目前很多量子计算研究本质只是重复经典领域已验证的技术路线。量子机器学习还有很长的路要走我们至今未能完全摸清它的性能上限与能力边界。”混合式机器学习发展现状经典机器学习无法适配全部业务场景量子机器学习同样存在适用边界。巴斯克地区物理研究中心DIPC伊克尔巴斯克研究所教授、量子AI企业Multiverse Computing首席科学家罗曼・奥鲁斯指出经典机器学习依托传统AI模型与GPU硬件而量子机器学习采用完全不同的算法与硬件利用量子叠加、量子纠缠等量子特性实现指数级效率提升。奥鲁斯介绍“经典系统以二进制比特存储数据只有0、1两种状态量子机器学习则用量子态表征数据。量子计算机还能生成经典系统难以高效拟合的特殊数据模式这正是机器学习任务的核心需求。”经典机器学习技术可反向赋能量子研发优化量子电路、完善量子纠错码、分析量子系统特性、设计全新量子算法同时也用于量子实验与仿真的数据预处理、数据分析。在当下主流混合实验架构中NISQ设备负责量子计算擅长的高复杂度子问题剩余计算任务交由经典机器学习处理。此外量子启发式软件技术也能优化经典机器学习例如张量网络它可刻画机器学习模型结构打通算力瓶颈大幅提升 ChatGPT 等大语言模型的运行效率。“量子计算是一套完全独立的范式整套体系建立在量子力学规则之上是全新的信息处理模式支持许多违背传统数据科学直观认知的运算操作。” 奥鲁斯表示“量子系统独特的信息处理机制使其能够操控复杂数据、表征高维数据结构与变量关联。依托这项能力生成式 AI 可降低能耗与算力成本药物研发等数据密集型科研项目的运算速度也会大幅提升。量子机器学习还能催生新型神经网络借助量子特性显著提升模型推理能力、可解释性与训练效率。”行业正从系统架构、环境优化、软硬件研发等多个维度同步创新攻克量子领域各类细分难题。奥鲁斯说“除了研发适配量子机器学习的高性能量子硬件业界也在探索混合系统架构 —— 将 Transformer 等生成式 AI 模块与量子算力融合。”和经典机器学习一样量子机器学习并非单一技术方案。Sandbox AQ 工程副总裁斯特凡・莱辛瑙尔表示“与量子计算其他分支类似量子机器学习也分为多条技术路线。当下行业主流所说的量子机器学习本质就是变分量子算法。这类量子计算依赖一整套数值参数我们需要持续调参直到运算结果满足业务需求。这套逻辑和经典机器学习完全对应神经网络依靠权重、偏置等参数完成运算通过训练迭代调参经典与量子机器学习的训练流程高度相似。”受限于当前量子设备比特数少、易产生运算误差绝大多数量子机器学习算法开发都依靠经典计算机模拟量子硬件完成。但这种仿真手段只能测试小规模问题样本算法在真实业务规模下的实际性能仍是未知数。莱辛瑙尔认为“量子机器学习最有可能在原生量子类问题中发挥价值例如奇异新材料等复杂量子现象建模。即便在这一领域量子机器学习的实用价值仍有待验证。真正具备颠覆性潜力的是容错量子算法但这类算法需要大规模、全纠错量子计算机才能运行。目前没人能确定量子计算机能否在达到该硬件标准前实现商用而量子机器学习是现阶段最有希望提前落地见效的技术路线。当然也存在另一种可能性量子机器学习最终无法创造实用价值我们必须等到全容错量子硬件成熟量子计算产业才能迎来爆发。”本文转载自 雪兽软件更多精彩推荐请访问 雪兽软件官网