我们是知识的搬运工

福利韶光

本日我们将送出三本由北京联合出版社供应的优质科普书本《扔一个苹果到宇宙边缘》。

从苹果落地，到扭曲的时空，再到全息宇宙，神秘的黑洞视界，浪漫的量子缠绕，迷人的弦理论。
屏住呼吸，准备瞩目即将涌如今地平线上的魔幻视界吧。
谁会知道，在这个尚待创造的国度中，我们将会找到些什么？

如何才能得到这本《扔一个苹果到宇宙边缘》呢？参与的办法非常大略！
只要你负责阅读下面的这篇文章，思考文末提出的问题，严格按照 互动：你的答案 的格式在评论区留言，就有机会得到奖品！
（PS：格式不符合哀求者无效）截止到本周四中午12点，点赞数前三名的朋友将得到一本《扔一个苹果到宇宙边缘》。

【互动问答示例】

互动：这里就可以自由发挥你的答案啦~

作者：George Musser

翻译：yangfz

审校：陈星

量子打算和机器学习的领悟已经成为一个发达发展的研究领域，这个研究领域能够不负众望吗？

上世纪90年代初，威奇托州立大学物理学教授伊丽莎白•贝尔曼(Elizabeth Behrman)开始致力于将量子物理与人工智能结合起来，特殊是当时特立独行的神经网络技能。
大多数人都以为她这是把油和水混在一起，不能产生什么有用的东西。
“那个时候，我的文章要经由好久才会被揭橥”，她回顾到，“神经网络杂志会问，‘量子力学是啥？’物理学杂志会说，‘这个神经网络是什么鬼？’”

本日来看，两者的领悟彷佛是天下上最自然的事情。
神经网络和其他机器学习系统已经成为21世纪最具颠覆性创新的技能。
它们超越了人类，不仅在我们大多数人从未真正善于的任务上击败我们，比如国际象棋和数据挖掘，而且没放过那些我们大脑进化出来的各种功能，比如识别人脸和翻译措辞等。
这些系统是由于强大的打算能力而成为可能的，以是科技公司不可避免地去探求那些不仅仅只是体积更大的打算机，而是一种新的更强的打算机。

经由几十年的研究, 量子打算机险些有足够的能力来进行地球上其他打算机做不了的打算。
它们的杀手级运用常日被认为是大数因子分解, 而这是当代加密技能的关键。
虽然真的实现这种因子分解至少还须要十年的韶光。
但是, 纵然是本日低级的量子处理器也与机器学习的需求惊人地匹配。
它们在一个步骤中操作大量数据，挑选出经典打算机所忽略的奇妙模式，而不会被不完全或不愿定的数据所扼杀。
加州伯克利的量子打算机公司 Rigetti Computing 的物理学家 Johannes Otterbach 说，“量子打算的内在统计性子与机器学习之间有着天然的结合。
”

如果说有什么不同的话, 那便是钟摆现在已经摆到了另一个极度。
谷歌、微软、 IBM 和其他科技巨子正在向量子机器学习投入大量资金，多伦多大学的创业孵化器也致力于此。
莫斯科斯科尔科沃科学技能研究所(Skolkovo Institute of Science and Technology)的量子物理学家雅各布•比昂特(Jacob Biamonte)表示，“机器学习正在变成一个盛行词，当你把它和量子稠浊在一起, 它就变成了一个超级盛行词。
”

然而，它里面的“量子”这个词并不是像看起来那样的。
只管你可能认为量子机器学习系统该当是非常强大的，但它却受到某种闭锁综合征的影响。
它运行在量子态上，而不是在人类可读的数据上，而且两者之间的转换可以肃清它的明显上风。
就像你买了一部高真个新手机，只管它的各方面都令人印象深刻，但如果你的网络还是一如既往的糟糕的话，那它终极和你的旧手机一样还是让人闹心。
对付一些分外情形，物理学家可以战胜这种输入-输出瓶颈，但是这些情形是否涌如今实际的机器学习任务中仍旧是个未知数。
德克萨斯大学奥斯汀分校的打算机科学家斯科特•阿隆森说:“我们还没有得到明确的答案。
人们常常对这些算法是否能够加快速率非常不在意。
”在量子打算领域，他总是保持复苏的声音。

量子神经元

神经网络的紧张事情是识别模式，无论是经典的还是量子的。
受到人类大脑的启示，神经网络是一个由基本打算单位——“神经元”所组成的网格，每个“神经元”都像一个开关那样大略。
一个神经元监视多个其他神经元的输出，就彷佛在进行投票，如果有足够多的神经元选择开启开关，这个神经元就会开启。
常日情形下，神经元是分层排列的。
初始层吸收输入(如图像像素) ，中间层创建各种输入组合(边缘和几何形状等构造表示) , 末了一层产生输出(图像内容的高等描述)。

一个范例的神经网络。
来源：Lucy Reading-Ikkanda/Quanta Magazine

非常主要的一点是，网络的线路不是预先固定的，而是在不断考试测验和缺点的过程中进行调度的。
这个网络可能会被“喂”进标签是小猫或小狗的图片。
对付每个图片，它分配一个标签, 检讨它是否和图片自己的标签同等，如果不是，则调度神经元之间的连接。
一开始它的预测是随机的，但是会逐步变得更好；在大约10000次考试测验之后，它知道了怎么区分小猫和小狗。
一个神经网络乃至可以有十亿个互连, 所有这些互连参数都须要调度。

在一台经典的打算机上，所有这些连接都是由一个巨大的数字矩阵表示的，运行网络意味着做矩阵代数。
常日情形下，这些矩阵操作被外包给一个专门的芯片，比如图形处理器（GPU）。
但是做矩阵操作没有什么比量子打算机更好的了。
麻省理工学院的物理学家、量子打算先驱者塞思•劳埃德（Seth Lloyd）说：“在量子打算机上，大矩阵和大矢量的操作以指数级的速率增长。
”

对付这项任务，量子打算机能够利用量子系统的指数性子。
量子系统的大量信息存储容量并不在于其单独的数据单元——量子比特中，经典打算机比特的量子对应物——而是在这些量子比特的凑集属性中。
两个量子比特有四种联合状态，两个都开，两个都关，或者一个开一个关及反过来。
每个状态都有一定的权重，或“振幅”，可以代表一个神经元。
如果你加上第三个量子比特，你可以代表8个神经元；加上第四个，就能代表16个。
机器的容量呈指数增长。
实际上, 神经元被涂抹在全体系统上的。
当你在四个量子比特的状态下操作时, 你一下子就处理了16个数字，而一台经典打算机则必须一个接一个地处理这些数字。

劳埃德估计，60个量子比特就足以编码相称于人类一年所产生的数据量，而300个量子比特可以携带可不雅观测宇宙的经典信息内容（目前最大的量子打算机由IBM，英特尔和谷歌等公司创造的72量子比特打算机）。
这是假设每个振幅只是一个单一的经典比特。
阿隆森说：事实上，振幅是连续的数量(实际上是复数) ，而且在详细的实验精度中可能存储多达15位。

但是量子打算机的信息存储能力并不能让它更快。
你须要有能力利用这些量子比特。
2008年，麻省理工学院的物理学家阿拉姆•哈罗和以色列巴伊兰大学的打算机科学家阿维纳坦•哈西丁展示了如何算逆矩阵这一关键代数运算。
他们把全体运算分解成一系列逻辑操作，可以在量子打算机上实行。
他们的算法适用于各种各样的机器学习技能。
而且它不须要像因式分解一个大数那样多的算法步骤。
量子打算机可以在噪声影响精确结果之前完身分类任务，噪声是当今技能的一个主要限定成分。
IBM的Thomas J. Watson研究中央的克里斯坦•泰姆(Kristan Temme)表示：“在拥有一台完备通用的容错量子打算机之前，你拥有的可能是具有量子上风的打算机。
”

让自然办理问题

然而，到目前为止，基于量子矩阵代数的机器学习只在只有四个量子位的机器上得到证明。
迄今为止，量子机器学习的大部分成功的实验都采取了一种不同的方法，那些实验里量子系统不仅只是仿照了网络；它们本身便是网络。
每个量子位代表一个神经元。
只管缺少指数化的力量， 但这样的装置可以利用量子物理学的其他特性。

最大的这种装置是由位于不列颠哥伦比亚省温哥华附近的 D-Wave 公司生产的量子处理器。
它不是大多数人以是为的那种打算机。
它不是从一些输入数据开始，实行一系列操作并显示输出，而是通过内部同等性来事情。
它的每一个量子比特都是一个超导环, 作为一个眇小的电磁体方向向上，向下或者上和下——叠加的状态。
量子比特被“连接”在一起, 许可它们发生磁性相互浸染。

D- Wave公司生产的处理器正被用于机器学习运用。
来源：Mwjohnson0

要运行这个别系，首先要施加一个水平磁场，它将量子位初始化到高下相等的叠加——相称于空缺状态。
有几种方法可以输入数据。
在某些情形下，你可以将一层量子位调节到所需的输入值；更常常地，你将输入合并到量子比特相互浸染的强度中。
然后让量子比特相互浸染。
有些量子比特方向方向于同等，有些则方向于相反的方向，在水平场的影响下，它们转向它们喜好的方向。
这样做, 它们可能会触发其他的量子比特翻转。
这种情形常日发生在初始时, 由于这个时候量子比特的朝向都是不一致的。
不过, 随着韶光的推移, 它们安定下来, 你可以关闭水平磁场来锁定它们。
在这一点上，量子比特处于上和下的模式中，以确保输出遵照输入。

量子比特的终极排列将会是什么并不是很明显，这便是问题所在。
这个别系，只是通过自然地去做，便是在办理一个普通电脑难以办理的问题。
“我们不须要算法，”东京理工大学物理学家 Hidetoshi Nishimori 阐明道，他发明了 D-Wave 机器运行的事理。
“这完备不同于传统的编程，大自然办理了问题。
”

量子比特翻转是由量子隧穿效应驱动的，这是一种自然的趋势，即量子系统必须找出它们的最佳配置，而不是知足于第二好的选择。
你可以建立一个经典网络，这个网络运行在类似的事理上，利用随机的跳跃而不是隧穿来得到比特的翻转，在某些情形下它实际上会更好地事情。
但有趣的是，对付机器学习中涌现的各种问题，量子网络彷佛更快地达到了最佳状态。

D-Wave的机器也遭到了一些批评。
它噪声非常大，而且在当前的版本中，只能实行有限的操作菜单。
然而，机器学习算法本身在实质上是可以容忍噪声的。
它们之以是有用，正好是由于它们能理解混乱的现实，在红鲱鱼的背景下，从小狗中挑选小猫。
“众所周知, 神经网络对噪声有很强的鲁棒性，”贝尔曼说。

2009年, 由谷歌(Google)打算机科学家哈特穆特•奈文（Hartmut Neven，谷歌眼镜项目(Google Glass)的联合创始人）领导的一个团队，随后开始进行量子信息处理，展示了早期 D-Wave 机器如何能够完成一项令人尊敬的机器学习任务。
他们基本年夜将它用作单层神经网络，将20,000个街道场景的图库中的图像分成两类：“有车”或“无车”。
该机器只有52个可用的量子比特，险些无法接管全体图像（请记住：D-Wave 机器的类型与在2018年上线的最前辈的72量子比特系统截然不同）。
以是 Neven 的团队把这台机器和一台经典打算机结合起来，这台打算机剖析了图像的各种统计量，并打算出这些数量对付汽车的存在有多么敏感——常日不是很敏感，但至少比抛***好。
这些数量的一些组合可以一起可靠地识别出一辆汽车，但不清楚是哪一种。
网络的事情便是找出答案。

这个团队给每个量分配了一个量子比特。
如果这个量子比特处于1, 它会标记相应的量为有用；0表示不要打扰。
量子比特的磁性相互浸染编码了问题的哀求, 例如只包括最有鉴别力的数量, 以使终极选择尽可能紧凑。
结果能够创造汽车。

去年, 由加利福尼亚理工学院的粒子物理学家 Maria Spiropulu 和南加州大学物理学家丹尼尔••利达领导的团队将该算法运用于一个实际的物理问题：将质子碰撞归类为“希格斯玻色子”或“没有希格斯玻色子”。
他们将把稳力仅限于吐出光子的碰撞，利用基本粒子理论来预测哪些光子性子可能会涌现Higgs须臾即逝的存在，例如超过某个阈值的动量。
他们考虑了8个这样的属性及其28个组合，共36个候选旗子暗记，并让南加利福尼亚大学的新型D-Wave机器找到了最佳选择。
它认为个中的16个变量是有用的，3个是最好的。
与标准程序比较，量子打算机须要更少的数据来实行准确的识别。
“假设演习集很小, 那么量子方法确实比高能物理学中利用的传统方法供应了一个准确的上风”，Lidar 说。

加利福尼亚理工学院的物理学家 Maria Spiropulu 利用量子机器学习找到希格斯玻色子。
来源：Maria Spiropulu

去年12月，Rigetti 展示了一种利用19个量子位的通用量子打算机自动分组工具的方法。
研究职员做了相称于给机器供应城市和城市之间间隔的清单，并哀求它将城市分为两个地理区域。
让这个问题变得困难的是，指定一个城市取决于所有其他城市的指定，以是你必须同时办理全体系统。

Rigetti团队有效地给每个城市分配了一个量子比特，指出它被分配到哪个组。
通过量子比特的相互浸染（在 Rigetti 的系统中，它们是电场而不是磁场），每一对量子比特都更方向取相反的值——当它们这样做的时候，它们的能量是最小化的。
显然，对付任何一个有两个以上量子比特的系统，一些量子位必须赞许被分配到同一组。
间隔比较近的城市更随意马虎达到同等，由于它们在同一组的能量花费比间隔更远的城市要低。

为了将系统的能量最小化，Rigetti团队采取了类似于D-Wave退火程序的方法。
他们将量子比特初始化为所有可能的集群分配的叠加。
他们许可量子比特进行大略的相互浸染，这使得它们倾向于假设相同或相反的值。
然后他们运用了类似水平磁场的方法，许可量子比特在倾斜的情形下翻转，将系统推向能量最低的状态。
他们重复这个两步过程——相互浸染然后翻转——直到系统最小化其能量，从而将城市分为两个不同的区域。

这些分类任务是有用的, 但是很大略。
机器学习的真正前沿是产生式模型，它们不仅能识别小狗和小猫, 还可以天生新异的原型——那些从未存在过的动物，但是每一个都和它们一样可爱。
他们乃至可以自己找出“小猫”和“小狗”的分类，或者重修丢失尾巴或爪子的图像。
D-wave 首席科学家穆罕默德•阿明(Mohammad Amin)表示：“这些技能非常强大，在机器学习方面非常有用，但它们非常困难”。
量子如果能给予声援再好不过了。

D-Wave和其他研究团队已经接管了这个寻衅。
演习这样一个模型意味着调度量子比特之间的磁性或电子相互浸染，以便网络可以再生一些样本数据。
要做到这一点，你须要将网络与普通打算机结合起来。
网络卖力大的提升——弄清楚给定的相互浸染选择对终极的网络配置意味着什么——然后打算机利用这些信息来调度相互浸染。
在去年的一次演示中，美国宇航局量子人工智能实验室的研究员 Alejandro Perdomo-Ortiz 和他的团队将D-Wave的机器“喂”入手写数字的图像。
它创造有10个种别, 与数字0到9相匹配, 并产生了自己潦草的数字。

隧穿中的瓶颈

上面这些便是好。
但糟糕的是，如果你不能将数据输入到处理器中，那么你的处理器有多棒并不主要。
在矩阵代数算法中，单个操作可以操作16个数字的矩阵，但是要加载矩阵仍旧须要16个操作。
量子机器学习博士学位的第一批人之一，量子打算创业公司 Xanadu 的研究员 Maria Schuld 说，“量子态的准备事情——将经典数据转化为量子态——完备被忽略了，我认为这是最主要的部分之一”。
以物理形式支配的机器学习系统面临着如何把问题嵌入量子比特网络并得到量子比特之间具有的相互浸染这个两大困难。

一旦成功地输入了数据，这些数据就须要被存储在这样一种办法中，即量子系统可以与之交互，而不会导致正在进行的打算崩溃。
Lloyd和他的同事们已经提出了一种利用光子的量子 RAM，但是还没有人在超导量子比特或离子阱这些引领量子打算的技能中拥有类似的装置。
“这是建造量子打算机本身问题之外的另一个巨大的技能问题”，Aaronson 说。
“我从实验者那里得到的印象是他们很吃惊。
他们不知道如何开始建造这个”。

末了, 你如何取出你的数据？这意味着丈量机器的量子状态，并且不仅每次丈量只返回一个随机抽取的数字，它会使全体状态崩溃，在你有机会取回数据之前，将剩余的数据全部打消掉。
你必须反复运行该算法来提取所有信息。

但我们并没有失落去统统。
对付某些类型的问题，你可以利用量子干涉。
也便是说，你可以编排操作，让缺点的答案自行消逝，精确的答案自我强化；这样，当你去丈量量子态时，它不会给你任意的随机值，而是你想要的答案。
但只有少数算法, 比如暴力搜索法，能够很好地利用干涉，而且加速常日还不太大。

在某些情形下，研究职员创造了获取数据的捷径。
2015年, Lloyd, 加拿大滑铁卢大学的 Silvano Garnerone 和南加州大学的 Paolo Zanardi 表示，对付某些统计剖析，你不须要输入或存储全体数据集。
你只要几个关键值就足够了，不须要读出所有的数据。
例如，科技公司利用机器学习来建议不雅观看节目或者根据弘大的消费习气矩阵来购买东西。
“如果你是Netflix 或者亚马逊，或者其他什么，你实际上并不须要把矩阵写在任何地方，”Aaronson 说。
“你真正须要的是为用户天生推举”。

所有这些都引发了这样的问题: 如果一个量子机器只在分外情形下是强大的，那么经典机器在这些情形下是否也是强大的？这是这个领域尚未办理的紧张问题。
毕竟，普通打算机也是非常有能力的。
处理大型数据集常日选择的方法——随机抽样——实际上与量子打算机在精髓上非常相似，不管它内部发生了什么，终极都会返回一个随机的结果。
Schuld说：“我做了很多算法，我以为‘这太神奇了。
我们已经得到了应有的加速’，然后实际上我只是为了好玩，又为一台经典打算机写了一个取样技能, 我意识到你也可以用同样的方法进行取样。
”

如果你回顾一下量子机器学习到目前为止所取得的成功，那么它们都带有星号。
以 D-Wave 机器为例。
当对汽车图像和希格斯玻色子进行分类时，它并不比传统机器快。
“我们在这篇论文中没有谈到的一个问题是量子的加速，”Alex Mott 说，他是 Google DeepMind 的打算机科学家，也是希格斯研究小组的成员。
矩阵代数方法，如 Harrow-Hassidim-Lloyd 算法表明，只有在矩阵稀疏——大部分都是零的情形下，才显示出加速。
“没有人会问, 稀疏的数据集在机器学习中真的有趣吗?”Schuld补充到。

量子智能

另一方面，纵然是现有技能的逐步改进，也会让科技公司感到高兴。
“终极你会看到这些上风，但它们可能不是指数型的，而是二次型的”，微软研究院(Microsoft Research)量子打算研究员内森•维伯（Nathan Wiebe）表示，“有了足够大、足够快的量子打算机，我们可以彻底改变机器学习的许多领域”。
在利用这些系统的过程中，打算机科学家可能会办理一个理论难题，即它们是否天生就快，为什么。

Schuld也看到了软件方面的创新空间。
机器学习不仅仅是一堆打算。
这是一个繁芜的问题，有着它们自己的分外构造。
她说：“人们构建的算法让机器学习不再那么有趣和俏丽，这也是我开始反过来思考的缘故原由：如果这台量子打算机已经存在——这些小规模的打算机——那么实际上它可以实现什么机器学习模型呢？大概是一个尚未被发明的模型”。
如果物理学家想要给机器学习专家留下深刻的印象，他们须要做的不仅仅是制作现有模型的量子版本。

正如许多神经科学家现在认为人类思维的构造反响了拥有身体的哀求，机器学习系统也表示了这一点。
图像、措辞和其他大多数数据都来自物理天下，并反响了它们的特性。
量子机器学习也同样得到表示——但是是在一个更加丰富的天下里。
毫无疑问，它将会在处理已经是量子的数据方面表现突出。
当数据不是图像，而是物理或化学实验的产物时，量子机器就会迎来属于自己的时期。
输入的问题也会随之消逝，经典打算机将被遗忘在尘埃中。

神经网络和量子处理器有一个共同点：它们竟然能够事情，这就足够使人以为惊异了。
神经网络可以演习并不是显然的，很多年来人们一贯在疑惑这是不可能的。
同样，量子物理学可以被用来打算这一点并不明显，由于量子物理独特的特色对付我们来说隐蔽的非常好。
然而, 两者都有效——虽然并非总是如此，但更多时候, 已经远超我们的期待。
在它们的这个先例上，它们的联合彷佛也可能找到它的位置。

原文链接：

互动问题

【互动问题： 如果通用量子打算机能够实现，并且像现在的打算机这样遍及，天下会变成什么样？】

请大家严格按照 互动：问题答案的格式在评论区留言参与互动，格式不符合哀求者无效。

截止到本周四中午12点，点赞数前三名的朋友将得到我们送出的图书一本。

编辑：山寺小沙弥

近期热门文章Top10

↓ 点击标题即可查看 ↓