Nature:量子计算机“杀手级应用”要来了?

发表于 讨论求助 2021-09-18 16:30:02

HarmonyOS目前,机器学习和量子计算的热度可谓不相伯仲,从数学基础上看,二者在某些方面也确实非常相似。

【编者按】最近,在Nature上发表的一篇论文中,Havlíček等人从二者之间的联系入手,展示了现代量子计算机是如何从数据中进行学习的。论文表明,传统计算机可以将数据映射到只存在量子态的空间中,实现监督式学习。

本文首发于新智元,编辑大明,来源Nature,作者Havlíče。由编辑,供行业人士参考。


一提到量子计算机,人们的第一印象往往是,这些机器很难在台式电脑等经典计算机上进行模拟。换句话说,无法使用经典计算机获得量子计算的结果。因为描述量子计算的每个内部步骤需要大量的数字。许多人在学习分割大数字时需要的步骤极其繁多。如果在经典计算机上模拟量子计算,那么每个中间步骤可能需要更多的数字来描述,这个数字甚至可能比宇宙中可观察到的原子总数还要大。

将图像“相似性”概念化为空间距离

由数字集合描述的量子系统的状态被称为量子态。如果量子态与许多数值相关联,则称其在大空间中“存在”。对于某些基于连续变量的量子计算机,这样的空间甚至是无限大的。

相比之下,机器学习分析的数据空间要小得多,即用来描述数据的值更少。比如,包含一百万像素的照片仅记录了代表红色、绿色、蓝色的三百万个数字。机器学习的任务目标可能是猜测图像的内容,也可能是生成类似的图像。不过,机器学习中一个成熟的理论称为“核方法”(kernelmethod),对数据的处理方式与量子理论的数据处理的方式很类似。

简而言之,“核方法”是通过定义哪些数据点彼此相似、哪些数据点不相似来执行机器学习任务的。从数学上讲,相似性是数据空间中的距离,即数据点表示之间的距离的数字表示。

目前的假设是,相似的图像具有相似的内容,数据点之间的距离在机器学习中是至关重要的。但对“相似”的确切定义并不像听起来那么简单。比如,如果基于每个图像中的红色像素数量来看,两个图像之间的在数据空间中的距离是多少?

数据空间中许多关于“相似性”的定义,在数学上相当于在可能无限大的空间中的相似性的简单量度。因此,在每次比较两个图像时,图像可以被映射到巨大空间中的表示,并计算映射和原图像之间的简单相似性。目前,传统计算机无法确切地计算这个大型表示,但也许量子计算机可以。因为量子计算机能够在极大的空间中进行计算。如果将数据映射到量子态所在的空间,会发生什么呢?

发表
26906人 签到看排名