./t20201014_1035559_taonews.html
专题
首页  >  专题  >  媒体视点  >  名刊精选  >  《张江科技评论》

《张江科技评论》

开博时间:2019-06-06 14:03:00

《张江科技评论》是由上海科学技术出版社与上海市张江高科技园区管理委员联合创办的一本科技评论类杂志。该刊报道评价国内外创新性科学技术的发展趋势及其商业价值,介绍上海在建设全球领先科创中心进程中的制度成果、技术成果、创业成果,推动产学研密切协作,促进科技成果转化,服务经济转型发展。

文章数
分享到:

“机器学习+量子计算”未来可期

2020-10-14 20:08:00

  量子计算有望为人工智能、密码学、药物合成等多领域的研究提供强力支撑,对未来社会产生革命性的影响。

量子计算

  近年来,机器学习快速崛起,已经成为大数据时代的技术基石。但是,随着信息技术的不断发展,产业数据呈爆炸式增长,加之科学研究和商业领域对高精度的要求,计算资源日益成为机器学习发展的一个瓶颈。量子计算由于具备经典计算未有的超并行计算特性,有望提供更强的计算能力,近年来受到国内外的高度重视。美国白宫2020年预算将量子计算作为政府研发的重中之重;欧盟于2016年宣布量子技术旗舰计划;我国将量子计算列入科技创新2030重大项目。量子机器学习是传统机器学习与量子计算科学相结合的产物,具有很强的交叉性,是一个重要且新兴的研究方向。图灵奖获得者、中国科学院院士姚期智在2018年世界人工智能大会主题演讲中指出,通过量子计算与人工智能的结合,人类或许真的有机会“理解”自然。

  机器学习

  机器学习是通过计算的手段,学习经验来改善系统的性能。从20世纪50年代研究机器学习以来,不同时期的研究途径和目标并不相同,其发展可以大致分为4个阶段。从20世纪50年代到60年代中期为第一阶段,称为“热烈时期”。在这期间,主流是构造没有或者只有很少初始知识的通用系统,并以神经元模型以及基于该模型的决策论和控制论作为主要技术。这个时期最具有代表性的研究是美国工程师阿瑟?塞缪尔(Arthur Samuel)的下棋程序,但这种机器学习的方法还远不能满足人类的需要。从20世纪60年代中期到70年代中期为第二阶段,称为“冷静时期”,该时期主要采用逻辑结构或图结构来描述机器的内部结构。其中,基于示例归纳的结构化概念学习系统是该时期的代表,但未能投入实际应用。从20世纪70年代中期到80年代中期为第三阶段,称为“复兴时期”。在这一阶段,人们从学习单个概念扩展到学习多个概念,并开始把机器学习应用到实际系统中,取得了较大的成功,极大地推动了机器学习的发展。从20世纪80年代末至今为机器学习的最新阶段:一方面,神经网络的研究重新兴起;另一方面,相关实验研究和应用研究得到重视,为机器学习的发展提供了强有力的研究手段和环境。

  目前,机器学习作为人工智能的一个重要分支,已经影响到了科技、社会及人类生活的各个方面。无论是自然语言处理技术,还是生物特征识别技术、数据挖掘技术以及医疗诊断辅助技术,甚至智力竞技游戏和自动驾驶技术等的开发和进步都与机器学习密切相关。

  量子计算

  摩尔定律显示,芯片上集成的晶体管数目随时间呈指数增长。在半导体技术和科学研究日新月异的今天,摩尔定律预示计算机芯片元件的尺寸已接近物理极限。在芯片元件的尺寸达到原子尺寸时,量子效应会严重影响其性能。量子计算是解决“摩尔定律终将失效问题”的一种可能途径。1982年,美国理论物理学家理查德?费曼(Richard Feynman)提出利用量子体系实现通用计算,这种计算方式可以用来模拟多体量子系统的演化等传统计算机难以完成的任务。量子计算以量子比特为基本单位,量子算法为核心,量子计算机为背景。

  ● 量子比特

  在经典计算机中,信息和数据是以二进制数值的形式表示和存储的。比特(bit)是经典计算的基本单位,它处于“0”或“1”,这意味着一个比特在任何确定时刻必为“0”或“1”。量子计算机的基本单元是量子比特(qubit),与经典比特不同,量子比特可以处于“0”和“1”的叠加态,也就是既处于“0”又处于“1”,对量子比特进行测量会以一定概率坍缩到特定的“0”或“1”。这使量子计算有表示和存储两个方面的优势,并且随着量子位的增加,量子信息的表示空间和存储空间以指数规模拓展。

  ● 量子算法

  真正将量子计算研究推向高潮的是一些重要量子算法的提出,这些算法展现了量子计算的强大潜力。1994年,美国数学家彼得?舒尔(Peter Shor)提出针对整数分解问题的舒尔算法。这是一个革命性的算法,因为目前所广泛使用的公开密钥密码体系的依据是大数因子分解困难。舒尔算法意味着一旦开始使用量子计算机,该问题就变得轻而易举,那么现有的公开密钥密码体系也将随之瓦解。舒尔算法让人们首次看到了量子计算具有的独特优势。1996年,印度裔美国计算机科学家洛夫?格罗弗(Lov Grover)提出的量子搜索算法进一步证明了量子计算的强大。此算法充分利用了量子计算的并行特征,针对无序数据库的搜索问题,提供了平方级别的加速。这个算法有很高的实用性,因为许多的非确定多项式(NP)问题都可以转化为对问题解空间的搜索问题。

  量子计算的优势有望为人工智能、密码学、药物合成等多领域的研究提供强力支撑,对未来社会产生革命性的影响。

  ● 量子计算的物理系统

  目前的科学技术很难在短时间内实现通用量子计算机的建造。建造量子计算机的困难之一是要找到一个可以编码量子比特,并且能够有效地被外界控制,但又与环境有很好的隔离,不会使系统很快退相干、失去量子特性的物理系统。虽然很难确定哪种系统最终能实现通用量子计算,但是目前已有一些可以用于小规模量子计算的物理系统,能实现对数个量子比特的控制操作,如超导量子比特系统。超导量子比特系统作为固态系统有较好的可集成性,但容易受到外界环境干扰,退相干问题严重。2019年10月,谷歌公司在《自然》(nature)杂志上发表论文,称其开发的53个量子比特的超导量子处理器“悬铃木”(sycamore)仅用3分20秒便完成了目前世界排名第一的超级计算机“顶点”(summit)需要1万年时间的计算。谷歌公司宣称通过“悬铃木”已经实现量子优越性(quantum supremacy)。

  除此之外,可用于量子计算的系统还包括光学量子计算系统、离子阱量子比特、量子点、中性冷原子、拓扑量子比特等。

  机器学习+量子计算

  算法、数据和硬件计算能力是机器学习快速发展的三大要素,而量子计算有提供远超传统计算机的计算能力。因此,机器学习与量子计算的结合正在成为一个飞速发展的研究方向。实际上,从经典-量子二元概念出发,可将机器学习问题按照数据和算法类型分为4类(见表1)。

机器学习问题类型

  利用传统机器学习算法处理经典数据(C-C)即为传统机器学习算法,包括监督学习、无监督学习、强化学习三大类。利用传统机器学习算法处理量子问题(Q-C)的相关研究。例如,将机器学习算法应用于量子力学系统的优化控制、探索量子多体物理系统等。

  利用量子算法处理经典问题(C-Q),也称为量子增强机器学习,是一个新兴的研究方向,近年来日益受到关注。1994年,波兰物理学家马切伊?莱文施泰因(Maciej Lewenstein)最初提出量子感知机。1995年,美国计算机科学家萨布哈什?卡克(Subhash Kak)将量子计算的思想应用于传统神经网络中,提出量子神经网络计算的概念。随后,很多科学家设计了各种不同类型的量子神经网络模型。2009年,美国阿拉姆?哈罗(Aram Harrow)等人提出求解线性方程的HHL算法,在特定条件下实现了算法指数加速效果。由于线性系统是很多科学和工程领域的核心,在很多场景具有广泛的应用,随后涌现了很多基于HHL的机器学习的研究。2019年,IBM公司在《自然》(nature)杂志上发表论文,提出了新的量子算法,能够在量子计算机上支持先进的机器学习。该论文展示了量子计算有望在机器学习中发挥关键的作用,包括访问更多计算复杂的特征空间等。

  利用量子机器学习算法处理量子问题(Q-Q)属于很开放的领域,相关研究较少。广义来说,Q-C、C-Q、Q-Q都属于量子机器学习的范畴。

  近期发布的一些开源库也为机器学习结合量子计算的研究提供了有效工具。2020年3月,谷歌公司宣布与加拿大滑铁卢大学、大众汽车公司联合推出TensorFlow Quantum(TFQ),这是一个可快速搭建量子机器学习模型的开源库。谷歌公司已展示了一些TFQ的应用实例,如实现量子-经典卷积神经网络、用于量子控制的机器学习、用于分层学习的量子神经网络等。此开源库旨在帮助研究人员发现有用的量子机器学习模型,在量子计算机上处理量子数据。

  量子机器学习面临的挑战

  近年来,虽然量子机器学习领域蓬勃发展,但仍存在诸多挑战,在算法上主要可以总结为以下几个方面。

  输入输出的问题。量子计算的优势主要体现在数据处理而非输入输出方面,某些情况下数据的获取(包括某些量子态的制备)甚至可能成为影响算法复杂度的主要因素。因此,对量子数据的读取和输出有必要进行专门研究。

  计算复杂度的问题。目前可以明确的是当问题规模足够大时,量子算法相比经典算法具有明显的优势。但是,如何具体设计这些算法、如何能够进一步优化量子线路,相关的设计研究非常缺乏,很难形成理论对实验的具体指导,这个鸿沟尚待填平。

  量子算法的评价问题。目前很难说明一个量子算法在实际应用中比所有经典机器学习算法都好,因为没有找到同样复杂度的经典算法,但这并不代表这样的经典算法不存在。

  除算法上的困难外,量子机器学习算法的实用化也依赖于对量子计算机的建造。虽然目前量子机器学习的研究理论层面较多,但是相应的量子计算机硬件仍需要进一步探求。人们普遍相信,量子计算实用化已经为时不远,量子机器学习这样一个交叉方向,相信未来会有很好的发展前景。

  伍斯璇,西湖大学人工智能与机器人中心于长斌实验室博士研究生(计算机科学-物理学交叉培养,西湖大学理学院李牮博士合作指导)。本研究受到西湖大学交叉学科初创中心的支持。

  文/伍斯璇

本文来自《张江科技评论》

上一篇:电动汽车充电及家庭能源的变革
下一篇:盘点新型冠状病毒研究的七大进展
©2011-2020 版权所有:中国数字科技馆
未经书面许可任何人不得复制或镜像
京ICP备11000850号 京公网安备110105007388号
信息网络传播视听节目许可证0111611号
国家科技基础条件平台