量子机器学习为传统的AI算法注入活力

我们将很快看到结合了传统机器学习算法与量子 AI 的模型的实际应用。

二进制计算中信息存储为 0 或 1。与二进制计算不同的是，量子计算机是基于量子比特的。量子比特可以是 0 到 1 的任意值，或者同时具有这两个值的属性。因此，在运行计算方面有很大的优势。

但是，我们与传统计算机交互的方式并不适用于量子计算机。它需要专门的数据、算法以及编程。

量子机器学习借鉴了传统机器学习的原理，但其算法会运行在量子处理器上，这使得它们比传统的神经网络更快，并且解决了当前 AI 在海量数据集上进行研究所受到的硬件限制问题。

不过，量子神经网络（Quantum Neural Networks，QNN）的研究尚处于起步阶段。对此，谷歌曾表示：“传统的机器学习从诞生到建立监督学习的通用框架，花了很多年的时间。在量子神经网络的设计方面，我们还在探索。”

那么，QNN 算法将如何解决现实问题呢？

科技巨头和量子创业公司正在考虑一种混合方法，其中一部分任务由运行在传统计算机上的传统神经网络完成，另一部分则由量子神经网络增强。

比如，多伦多创业公司 Xanadu 正在将量子与传统相结合的 AI 应用于迁移学习，其结果在图像分类任务中有很好的应用前景。

（来源：Xanadu 研究论文, arxiv.org）

另外，自 2013 年以来，谷歌 AI 团队就一直专注于为量子计算机编写算法。与 Xanadu 一样，其近期目标是开发“可适用于量子设备的量子与传统相结合的机器学习技术”。谷歌 AI 团队曾撰文表示：“虽然目前关于 QNN 的工作主要是理论方面的，但在不久的将来，它们将可能会在量子计算机上进行测试并得以实现。”

在谷歌发表的两片研究论文中，其分别探索了以不同于传统神经网络训练方法的方式训练 QNN，以及在模拟中测试 QNN 执行简单图像分类任务的能力。

尽管当今最强大的量子计算机，包括谷歌正在开发的那些，已经可以控制 50 到 100 个量子比特。但研究人员表示，若要量子计算机产生更广泛的商业影响，至少达到控制需要几千个量子比特的水平。

鉴于量子信息的发展可能带给信息领域的影响，政府和各科技公司巨头都对量子技术研究展开了积极投资。 CB Insights 的数据显示，2019 年量子计算领域共完成 14 笔交易，涉及金额达 1.978 亿美元，相较 2018 年略有下降。

（来源：CB Insights）

其中，自 2015 年 1 月 1 日至 2020 年 2 月 9 日，就国家而言，相关交易数量占比位居前三位的分别是美国（45.3%）、加拿大（15.6%）以及英国（14.1%）。

（来源：CB Insights）

那么，中国在该领域的投资情况如何呢？

2019 年 10 月，Nature 曾发表一篇专栏文章，分析了近年来私人投资大量涌入量子科技领域初创公司的情况。其中，针对中国的投资，文章指出，鉴于英语媒体报道以及西方分析公司的报道很少涉及中国的投资交易，所以在文章很可能缺少一部分中国数据。不过对于量子计算在中国的发展情况，文章援引了中国科学技术大学潘建伟教授的话表示，中国的量子技术产业化也在顺利进行。另外，专利的申请情况也能进行佐证：根据欧盟委员会联合研究中心的数据，2012 年至 2017 年的量子技术创新专利中，超过 43% 来自中国的大学和企业。

（来源：Martino Travagnin/欧盟委员会联合研究中心）

关键词

与传统计算机结合

我们将开始看到世界上最强大的两种计算范式——量子计算和 AI ——通过与传统计算机结合来解决实际问题。

量子云计算

量子云计算是“云战争”中的最新前沿领域，所有主要供应商，包括 AWS、谷歌、IBM 和微软，都在大力投入其中。正如 Rigetti、微软和 OpenAI 在 2020 年发表的一篇论文中所强调的那样，这意味着量子计算机将与传统 GPU 和 CPU 协同工作。我们会看到云 AI 算法在这样的混合硬件平台上运行。

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