量子计算结合机器学习，即便是在初始阶段也极具前景

虽说爱因斯坦曾经拒绝量子力学，说上帝不会掷骰子，但有些投资人及公司都迫切希望，上帝就是靠掷骰子的。

Alexa 和 Siri 可以理解你在说什么，自动驾驶汽车穿过城市的大街小巷，这些科技的发展得益于人工智能领域中的机器学习。

最近，研究人员表示，机器学习可以受益于量子计算机的研究。加拿大多伦多已经有了相应的产业孵化器。而且，如果多伦多的产业孵化项目早在几年前启动，现在或许都有量子机器学习的公司了。

目前，机器学习和量子计算相结合的研究主要集中在使用初期的量子计算机来加速机器学习算法，或是使用传统的机器学习系统，来增加量子计算机的能量、持久性和效率。其最终计划是：使用基于小型化量子计算机的机器学习技术，更好的改进、理解和表达大型量子信息数据或复杂量子计算结果。

当然，这个终极目标要等到可以实现大规模量子信息存储，以及有成熟的量子计算机出现才行。谷歌曾表示，该公司计划在年底构建49量子比特的量子计算机，所以，一个可以受益于这种结合的，具有成百上千量子比特的量子计算机还要等很多年才能实现。

然而，来自西班牙光子科学研究所的Peter Wittek表示，研究者不用等到超级量子计算机面世再开展实验或理论的研究，量子机器学习即使是在其初级阶段也很有应用前景的。“建造通用的量子计算机确实是一个技术挑战”，Wittek说，“但是研究量子机器学习并不需要等所有条件都成熟。”

就如同量子密码学和量子随机数的产生技术，它们都是在没有大型量子计算机的条件下发展成熟的。所以，量子机器学习也可以像这样，找到机会在近期进行发展和应用。

作为《量子机器学习：量子计算对于数据挖掘的意义》一书的作者，Wittek表示，这个领域真正起飞是从 2008 年一种名叫HHL（根据其三个发明人Aram Harrow、Avinathan Hassidim、以及Seth Lloyd的姓氏命名）的量子算法开始的。

HHL解决了大量多自由度线性代数问题，而且其速度具有超越传统超级计算机的潜力。由于很多机器学习都包含此类的高自由度（高维）代数问题，所以很多机器学习研究者便搭上了HHL的顺风车。基于HHL的机器学习算法在过去的几年中涌现出了很多论文。

然而，Wittek表示，尽管HHL取得了不少辉煌成就，但它其实并不代表在近期最有希望的应用领域，如金融、运输或者医药行业等进行了应用。而且，他补充道，传统的基于GPU的机器学习应用并不会被量子系统取代，即使谷歌、IBM或是其他公司做出了真正可以实用的量子计算机。

传统的机器学习在某些应用领域已经有足够颠覆性了。但是，Wittek表示，标准的机器学习算法难以产生纯的随机数。金融领域常用的蒙特卡洛机器学习算法，需要纯的随机数达到较好的结果。但是经典的计算机只能产生伪随机数。而另一方面，量子系统则定义了纯的随机性。所以量子机器学习可以在这种地方立足。

而且，来自华盛顿Redmond的微软量子架构和计算组的Nathan Wiebe表示，当系统输入不是经典的二进制数据而是量子比特时，量子机器学习的优势会更加明显。

“当说起量子计算机的时候，如何知道其内在的机理是什么样的？”Wiebe说。“量子计算机中所用的向量存在于一个无穷维空间中，人们不可能检查或从中读取向量的，以查看机器是否运行正常。”

根据来自德州大学奥斯丁分校的计算机科学的教授Scott Aaronson所说，HHL所产生的炒作意义大于近期应用于实际的希望。Aaronson在2015年针量子机器学习的研究中警告说，投资者应对任何量子机器学习可能引起的技术突破保持清醒。

“过去十年来，几乎所有发表的量子机器学习算法都是算法的架构，”Aaronson说。“这些算法都不是从人们所希望解决和回答的经典问题出发的。”

对此，Wittek表示，尽管有技术上的反对，但今年多伦多的量子机器学习训练营和创业加速器计划，仍然吸引了远超预期的申请者。申请活动最后一轮截止至7月24日，但他们六月中旬就收到了38个申请，而实际席位仅有40个。很明显，现实驱动着创业者们试图将想法转换成为可实用的量子机器学习技术。

“到11月底，这些公司会成立完成，到时候就会有真的公司存在了。”Wittek说。“我们预期到明年夏天，就会有公司盈利。”

-End-

编辑：Alex