近日，Google 宣布推出量子機器學習開源庫 TensorFlow Quantum。

這一開源庫集成了 Google 之前開源的量子計算框架 Cirq 和機器學習框架 TensorFlow。Cirq 提供了一個軟件模擬器來運行量子算法，不要求開發(fā)者必須有一臺真實的量子計算機。而 TensorFlow 是一個封裝了底層深度學習模型的軟件庫。簡言之，不管是 Cirq 還是 TensorFlow，都是為了降低新技術(shù)門檻而生。借助這些開源工具，開發(fā)者可以更快更省地打造量子計算或機器學習應(yīng)用。

Google 現(xiàn)在把兩者結(jié)合了起來，能讓開發(fā)者利用經(jīng)典或者量子數(shù)據(jù)，快速打造一個混合的量子-經(jīng)典模型原型，以期推動量子計算和機器學習社區(qū)發(fā)現(xiàn)更能發(fā)揮量子優(yōu)勢的新算法。

雖然量子計算和機器學習都是技術(shù)熱詞，但分屬完全不同的領(lǐng)域。兩者為什么能結(jié)合在一起？量子計算能給機器學習帶來什么？一切要從經(jīng)典數(shù)據(jù)和量子數(shù)據(jù)的區(qū)別說起。

跳出 0 和 1 的局限

所謂經(jīng)典數(shù)據(jù)和經(jīng)典模型，都是相對于量子而言。現(xiàn)在流行的計算機被稱為經(jīng)典計算機，信息量的基本單位是比特，在二進制中取值不是 0 就是 1。

而遵循量子力學規(guī)律打造的計算機被稱為量子計算機，信息量的基本單位是量子比特，在取值前處于不確定狀態(tài)，即疊加態(tài)。也就是說，量子比特可以同時處于 “0” 和 “1” 的狀態(tài)。

有人做過一個比喻：經(jīng)典比特是 “開關(guān)”，只有開和關(guān)兩個狀態(tài)（0 和 1），而量子比特是 “旋鈕”，就像收音機上調(diào)頻的旋鈕那樣，有無窮多個狀態(tài)。經(jīng)典計算機通過操縱經(jīng)典比特進行運算，而量子計算機是操縱量子比特，本質(zhì)上就是去旋轉(zhuǎn)它們。

量子疊加這種特性決定了在同樣比特數(shù)量的情況下，量子比特能存儲比經(jīng)典比特更多的信息。

比如，把 1 個“0”和 1 個“1”放在一起，會有 4 個組合狀態(tài)：00、01、10、11。2 個經(jīng)典比特只能是其中 1 種狀態(tài)，而 2 個量子比特可以同時包含這 4 個狀態(tài)，并且每個狀態(tài)都有一定的權(quán)重。

只有當人們?nèi)プx取量子比特時，同時包含 4 個狀態(tài)的量子比特才會變化為其中一個狀態(tài)。正是由于這種疊加的特性，量子計算機具備了強大的并行計算能力。

▲（“薛定諤的貓” 就是解釋量子疊加的一個思想實驗）

除了疊加，量子還有個特性是“糾纏”。糾纏性可以讓多個量子比特共享狀態(tài)，創(chuàng)造出 “超級疊加” 的量子并行計算，計算能力隨比特數(shù)增加呈指數(shù)級增長。

理論上，擁有 300 個量子比特的量子計算機，瞬間所能執(zhí)行的并行計算次數(shù)比宇宙中的原子總數(shù)還多。

對于量子計算的并行性，微軟 CEO Satya Nadella 在 2017 年微軟 Ignite 大會上，用找迷宮出口來比喻解釋：

為了找到迷宮的出口，經(jīng)典計算機先開啟一條搜索路徑，遇到障礙物后會沿原路返回。之后再次探尋新路，直到遇障返回或找到了正確出口。雖然最終能找到一個結(jié)果，但這種方法相當耗時。

對比之下，量子計算機解鎖了神奇的并行性。它們同時探尋玉米迷宮中的每一條路。因此，量子計算機可能指數(shù)級減少解決問題的步驟。

中國科學院院士潘建偉也曾說：“如果傳統(tǒng)計算機的速度是‘自行車’，那么量子計算機的速度就是‘飛機’。”

這種遠遠超過經(jīng)典計算機的計算性能，正是機器學習所需要的。眾所周知，當下這次以機器學習方法為代表的人工智能浪潮，是算力、算法和數(shù)據(jù)相結(jié)合的結(jié)果。

如果機器學習任務(wù)無法快速計算完成，那么經(jīng)濟價值就無法得到體現(xiàn)。當前，企業(yè)和學界普遍采用 GPU 和 FPGA 等適合并行計算的通用芯片來實現(xiàn)加速，但這些方法依然是基于經(jīng)典計算機。

速度遠遠超越經(jīng)典計算機的量子計算機，自然而然和機器學習聯(lián)系起來。

量子機器學習是如何實現(xiàn)的

早在 1995 年，美國路易斯安那州立大學 Kak 教授首先提出了“量子神經(jīng)計算”的概念。而后，量子聚類、量子深度學習和量子向量機等算法相繼被提出。2015 年，潘建偉教授團隊在小型光量子計算機上，首次實現(xiàn)了量子機器學習算法 。

事實上，已有的量子機器學習算法主要可細分為 3 類。第一類，機器學習的整體計算依然采用經(jīng)典計算機，但把比較復(fù)雜的計算轉(zhuǎn)換成量子版本，用量子計算機來運行。

▲（圖片來自《量子機器學習算法綜述》

第二類是“尋找量子系統(tǒng)的力學效應(yīng)、動力學特性與傳統(tǒng)機器學習處理步驟的相似點，將物理過程應(yīng)用于傳統(tǒng)機器學習問題的求解，產(chǎn)生出新的機器學習算法”。第三類，則是借助機器學習力去研究量子系統(tǒng)。

目前，對量子機器學習的研究大多集中在第一類。在具體的執(zhí)行層面上，要用量子計算機來運行經(jīng)典機器學習復(fù)雜計算的部分，首先要把經(jīng)典數(shù)據(jù)轉(zhuǎn)換成量子數(shù)據(jù)。

然后把量子數(shù)據(jù)輸入量子計算機，用量子算法計算完成后輸出。由于輸出的計算結(jié)果依然是量子疊加態(tài)的，所以最后還需要進行測量，把經(jīng)典數(shù)據(jù)提取出來。

雖然量子計算的特性和機器學習非常契合，但整體而言量子機器學習還處于初級階段。并且，不是所有的經(jīng)典機器學習算法都可以用量子計算加速。

量子機器學習算法實用化的硬件條件也還沒有成熟。據(jù)科技日報報道，在通用量子計算機建造成功之前，量子機器學習算法很難在實際應(yīng)用中展現(xiàn)出其數(shù)據(jù)處理方面的強大能力。

這次開源 TensorFlow Quantum 的 Google，也是一直在打造自己的量子計算機。2019 年 10 月 23 日，Google 在 Nature 上刊登了關(guān)于 “實現(xiàn)量子優(yōu)越性” 的論文 ，他們制造出了 53 個量子比特數(shù)的量子計算機，計算能力超經(jīng)典超級計算機。同樣的計算量，量子計算機用 200 秒就完成了，而目前最強的經(jīng)典超級計算機，要花費 10000 年才能完成。

“量子優(yōu)越性” 是指量子計算機可以完成經(jīng)典計算機無法做到的事情。這個概念最早由加州理工學院理論物理教授 John Preskill 在 2012 年提出。

▲（Google CEO 桑德爾·皮蔡和量子計算機）

Google 用 53 個量子比特實現(xiàn)了“量子優(yōu)越性”是一個里程碑式的事件，但離通用量子計算機的要求（通常認為需要 100 萬個量子比特）還是很遙遠。盡管如此，依然有越來越多學術(shù)機構(gòu)和公司投入到了量子機器學習領(lǐng)域。并且，在一些具體的場景（如圖像分類），量子機器學習也已經(jīng)被證明了其可行性。