来(lai)源:科(ke)技日报(bao)

  没(mei)有人(ren)会怀疑,量子计算和(he)机器学习是当(dang)前(qian)最炙手可热的两(liang)个研(yan)究领域。

  在量(liang)子计算(suan)方面,理论和硬件的一个个突破(po)性进(jin)展(zhan)让人(ren)们看到大规(gui)模通用量(liang)子计算(suan)机(ji)的脚(jiao)步越来越近。

  在机器学习(xi)方面,以人工神经网络(luo)为(wei)代表的方法在视(shi)觉(jue)、语音、自然语言理解、游戏等(deng)应用领(ling)域(yu)中有了很大的性能提升(sheng)。三位深度学习(xi)领(ling)域(yu)专(zhuan)家获得2019年(nian)图灵奖,更是被评(ping)论为(wei)“意味着AI复(fu)兴元年(nian)的到来”。

  当量(liang)子(zi)计(ji)算和机器学(xue)习相(xiang)遇,会碰撞(zhuang)出什么火花(hua)?“总的来(lai)看(kan),这是一个还处于早期(qi)(qi)探索,未来(lai)有很大发展空(kong)间可以期(qi)(qi)待的领域(yu)。” 腾讯(xun)杰(jie)出科学(xue)家、腾讯(xun)量(liang)子(zi)实验室负责人张(zhang)胜誉(yu)评(ping)价道。

  两者并非“油和水”的混合

  早在上世(shi)纪90年(nian)代(dai),威奇塔州立(li)大学的(de)物理学教(jiao)授伊丽莎白·贝(bei)尔(er)曼就开始研究量子物理与(yu)人(ren)工智(zhi)能的(de)结(jie)合,而在当时(shi),神经网(wang)络还(hai)堪称是特立(li)独(du)行的(de)技术。大多数人(ren)认(ren)为(wei)这(zhei)是在把油和水进行混合。她(ta)回忆说:“我花(hua)了很长时(shi)间才把论文出版。与(yu)神经网(wang)络相(xiang)关的(de)期刊会(hui)说,‘量子力学是什么(me)(me)?’,而物理期刊会(hui)说,‘神经网(wang)络是什么(me)(me)?’”

  但随着(zhe)量子(zi)计算和机器学(xue)习在各(ge)自领域的进(jin)展,二者的结合似乎水到渠成(cheng)。

  神(shen)经网络(luo)和(he)其他机器(qi)学习(xi)(xi)系统(tong)已成为人(ren)工(gong)智(zhi)能(neng)时(shi)代的(de)(de)核心(xin)技术。具备机器(qi)学习(xi)(xi)能(neng)力(li)(li)的(de)(de)人(ren)工(gong)智(zhi)能(neng)在某些(xie)方面(mian)(mian)的(de)(de)能(neng)力(li)(li)远超(chao)人(ren)类,不仅在国(guo)际象棋(qi)和(he)数(shu)据挖掘(jue)等方面(mian)(mian)表现(xian)出(chu)众,而且在人(ren)类大脑所擅长的(de)(de)面(mian)(mian)部识别、语言翻译(yi)等方面(mian)(mian)进展(zhan)迅速。通(tong)过(guo)后台的(de)(de)强(qiang)大算力(li)(li),这些(xie)系统(tong)的(de)(de)价值不断凸显。

  但(dan)同时,传(chuan)统计(ji)算(suan)(suan)机数据处理能力(li)接近极限,而数据却在不断增长。正因(yin)此(ci),业界展开了激烈竞争,看谁能率(lv)先推出一款比现有计(ji)算(suan)(suan)机更强大的(de)量子计(ji)算(suan)(suan)机,来处理日益庞大的(de)数据。

  “机器学(xue)习技(ji)术的(de)(de)进步(bu)有赖(lai)于(yu)计算(suan)能(neng)力的(de)(de)提高,量子计算(suan)机的(de)(de)计算(suan)能(neng)力肯定比现(xian)有机器强太(tai)多,它必然能(neng)推(tui)动机器学(xue)习的(de)(de)发(fa)展,这(zhei)就好比,一个脑子转得(de)很(hen)快、更聪明(ming)的(de)(de)人(ren)比一个反应(ying)慢的(de)(de)人(ren)处(chu)理(li)问题更快更好。” 中(zhong)国科(ke)学(xue)技(ji)术大学(xue)中(zhong)科(ke)院量子信息重点实(shi)验室研究(jiu)员韩正甫告(gao)诉科(ke)技(ji)日报(bao)记者(zhe),机器学(xue)习可(ke)能(neng)会(hui)在很(hen)短的(de)(de)时(shi)间内处(chu)理(li)超出当前(qian)能(neng)力的(de)(de)复杂问题。

  北京国(guo)(guo)双科(ke)技有(you)限(xian)公(gong)司(以(yi)下(xia)简(jian)称(cheng)“国(guo)(guo)双”)首(shou)席技术官刘激扬在接受科(ke)技日报(bao)记者(zhe)采访时则表示,随着(zhe)产业数(shu)据(ju)规(gui)模的爆炸(zha)式增(zeng)长,深度学(xue)习模型网(wang)(wang)络参(can)数(shu)的不断扩增(zeng),现有(you)的计算结(jie)构及框(kuang)架(jia),面(mian)对海量(liang)的数(shu)据(ju)规(gui)模及深层网(wang)(wang)络结(jie)构,处理(li)分析所需的时间(jian)、硬件成本非(fei)常高,因此,亟(ji)须更为高效的解决方案。

  强强联合的化学反应

  刘激扬说(shuo),正(zheng)因此,很(hen)多(duo)研究机(ji)构及科技公司都将目光集中到了量(liang)子计算领(ling)域。

  “量(liang)子(zi)计(ji)算(suan)的(de)独特性质,使得它(ta)无论是在数据(ju)(ju)处理(li)能(neng)力还是数据(ju)(ju)存(cun)储能(neng)力上,在理(li)论上都远(yuan)超(chao)经(jing)典(dian)计(ji)算(suan),所以(yi)若将其应(ying)用(yong)到机(ji)(ji)器(qi)(qi)学(xue)(xue)(xue)习中,不仅可以(yi)解决目前机(ji)(ji)器(qi)(qi)学(xue)(xue)(xue)习算(suan)法(fa)(fa)处理(li)海量(liang)大数据(ju)(ju)时计(ji)算(suan)效率低等问题,甚(shen)至可能(neng)改(gai)变整(zheng)个(ge)机(ji)(ji)器(qi)(qi)学(xue)(xue)(xue)习领域(yu)。”刘激扬说,机(ji)(ji)器(qi)(qi)学(xue)(xue)(xue)习和量(liang)子(zi)计(ji)算(suan)若结合,一方面是希望利(li)用(yong)量(liang)子(zi)计(ji)算(suan)优良的(de)数据(ju)(ju)处理(li)能(neng)力,解决机(ji)(ji)器(qi)(qi)学(xue)(xue)(xue)习运算(suan)效率低的(de)问题;另一方面探索使用(yong)量(liang)子(zi)力学(xue)(xue)(xue)的(de)性质,开发更(geng)加智能(neng)的(de)机(ji)(ji)器(qi)(qi)学(xue)(xue)(xue)习算(suan)法(fa)(fa)。

  刘激扬(yang)具(ju)体分析(xi)(xi)道,机(ji)(ji)(ji)器(qi)学(xue)(xue)习与量(liang)(liang)子(zi)(zi)计(ji)(ji)算(suan)(suan)(suan)(suan)的结合,主要有以(yi)(yi)下几(ji)种形式:由于量(liang)(liang)子(zi)(zi)计(ji)(ji)算(suan)(suan)(suan)(suan)能够同时执行大量(liang)(liang)、复杂的计(ji)(ji)算(suan)(suan)(suan)(suan)过(guo)程,所以(yi)(yi)通过(guo)结合它可(ke)(ke)以(yi)(yi)使某(mou)些(xie)在(zai)传统机(ji)(ji)(ji)器(qi)学(xue)(xue)习中不(bu)可(ke)(ke)计(ji)(ji)算(suan)(suan)(suan)(suan)的问题变(bian)为可(ke)(ke)能, 从(cong)而大幅降低(di)机(ji)(ji)(ji)器(qi)学(xue)(xue)习算(suan)(suan)(suan)(suan)法的计(ji)(ji)算(suan)(suan)(suan)(suan)复杂度;利用(yong)量(liang)(liang)子(zi)(zi)理(li)论的并(bing)行性等加速特点直接(jie)与某(mou)些(xie)机(ji)(ji)(ji)器(qi)学(xue)(xue)习算(suan)(suan)(suan)(suan)法深度结合,从(cong)而可(ke)(ke)以(yi)(yi)催生出一批全(quan)新的量(liang)(liang)子(zi)(zi)机(ji)(ji)(ji)器(qi)学(xue)(xue)习模型,这些(xie)模型能够实(shi)现更高的计(ji)(ji)算(suan)(suan)(suan)(suan)效率;还可(ke)(ke)以(yi)(yi)利用(yong)机(ji)(ji)(ji)器(qi)学(xue)(xue)习算(suan)(suan)(suan)(suan)法,解决量(liang)(liang)子(zi)(zi)物理(li)学(xue)(xue)领域(yu)中的一些(xie)难(nan)以(yi)(yi)分析(xi)(xi)的问题,如量(liang)(liang)子(zi)(zi)多体物理(li)问题、 量(liang)(liang)子(zi)(zi)优(you)化控制(zhi)等。

  “近十年涌现(xian)出大量量子(zi)技术和机(ji)器(qi)学习(xi)结合的研究,主要在(zai)用经(jing)典(dian)(dian)机(ji)器(qi)学习(xi)解(jie)(jie)释(shi)和帮助量子(zi)力学的研究,也有(you)不少(shao)对经(jing)典(dian)(dian)机(ji)器(qi)学习(xi)设计高效(xiao)量子(zi)算法的研究,还有(you)少(shao)量其他方(fang)面,如量子(zi)启发式机(ji)器(qi)学习(xi)、用量子(zi)理(li)论帮助理(li)解(jie)(jie)机(ji)器(qi)学习(xi)中的现(xian)象等,大家得到了(le)形式丰富(fu)的结果。”张胜誉(yu)告诉科(ke)技日报记(ji)者。

  张胜誉与团队近日系统梳(shu)理(li)了量子机器学(xue)习的(de)发(fa)展,文章发(fa)表于《国家科学(xue)评论》2019年第1期出版的(de)“量子计算”专题。

  国内企业积极部署

  “虽然进展(zhan)喜人,但我们也(ye)应该注意到目(mu)前机器(qi)学习领域(yu)(yu)的(de)很多结果在严格性、问题基(ji)础性和(he)未(wei)来(lai)实用性上都(dou)还有很大的(de)提升空(kong)间。总(zong)的(de)来(lai)看(kan),这是一个还处于早(zao)期(qi)探索,未(wei)来(lai)有很大发展(zhan)空(kong)间可以(yi)期(qi)待的(de)领域(yu)(yu)。”张胜誉认为。

  “量子(zi)机器学习的更多应用(yong)还(hai)(hai)须等到(dao)可以(yi)实(shi)(shi)现大规模量子(zi)信息存储,以(yi)及有(you)(you)成熟的量子(zi)计算机出(chu)(chu)现才行。”韩正(zheng)(zheng)甫(fu)说,但事实(shi)(shi)上,量子(zi)计算机的概念(nian)1980年(nian)代提出(chu)(chu),投(tou)入研发20年(nian),迄今还(hai)(hai)没有(you)(you)一台真正(zheng)(zheng)走出(chu)(chu)实(shi)(shi)验室。

  刘激(ji)扬也表示,量(liang)子(zi)(zi)(zi)计算(suan)(suan)(suan)机(ji)(ji)是真正实(shi)现量(liang)子(zi)(zi)(zi)机(ji)(ji)器学习算(suan)(suan)(suan)法(fa)(fa)实(shi)用(yong)化(hua)(hua)的(de)重要(yao)硬件基础,要(yao)想将(jiang)量(liang)子(zi)(zi)(zi)机(ji)(ji)器学习算(suan)(suan)(suan)法(fa)(fa)应用(yong)于(yu)实(shi)际的(de)数据(ju)分析和(he)处(chu)理(li)(li)任务中(zhong)(zhong),需(xu)要(yao)将(jiang)数据(ju)转(zhuan)化(hua)(hua)为量(liang)子(zi)(zi)(zi)态(tai),上(shang)传至(zhi)计算(suan)(suan)(suan)机(ji)(ji)中(zhong)(zhong),进行存(cun)储、处(chu)理(li)(li)并导(dao)出,这就需(xu)要(yao)研(yan)制出具(ju)有(you)成百上(shang)千(qian)超导(dao)量(liang)子(zi)(zi)(zi)比(bi)特的(de)量(liang)子(zi)(zi)(zi)计算(suan)(suan)(suan)机(ji)(ji),“在(zai)通用(yong)量(liang)子(zi)(zi)(zi)计算(suan)(suan)(suan)机(ji)(ji)建造成功(gong)之前,量(liang)子(zi)(zi)(zi)机(ji)(ji)器学习算(suan)(suan)(suan)法(fa)(fa)则(ze)很难(nan)在(zai)实(shi)际应用(yong)中(zhong)(zhong)展现出其(qi)数据(ju)处(chu)理(li)(li)方面的(de)强大能力。”

  张胜(sheng)誉分析道(dao),由于硬件资源的受限,量(liang)子机(ji)器学习的验证和发展(zhan)确实有(you)很多瓶颈。“理(li)论(lun)上(shang)可(ke)以进行更多量(liang)子加速的研究,实践上(shang)也(ye)可(ke)以结(jie)合硬件不(bu)停推进对(dui)物(wu)理(li)化学中基本(ben)问题的理(li)解。”他(ta)认(ren)为,这个领域最(zui)终的突破,可(ke)能需要理(li)论(lun)和硬件手(shou)拉(la)手(shou)往前走。

  在(zai)刘激扬看来,量(liang)子机器(qi)学习还(hai)缺乏完备的理论框架及实际验证。“由于量(liang)子机器(qi)学习只能在(zai)量(liang)子状态下进行,而当前由经典信息(xi)到(dao)量(liang)子信息(xi)的转换研(yan)究较少(shao),还(hai)有(you)很多问题未(wei)解决(jue)。”

  “我们还不能(neng)从基础(chu)理论角度(du)来阐(chan)述量子机器(qi)学(xue)习算(suan)(suan)(suan)法的优势。”刘激(ji)扬说,目前仍(reng)不能(neng)证明某个量子机器(qi)算(suan)(suan)(suan)法的性能(neng)比(bi)所有(you)的经典(dian)机器(qi)学(xue)习算(suan)(suan)(suan)法都好, 因为没有(you)找(zhao)到同样复杂度(du)的经典(dian)算(suan)(suan)(suan)法,但(dan)这并不代(dai)表这样的经典(dian)算(suan)(suan)(suan)法不存在,所以(yi)还有(you)待进(jin)一步研究证明。

  但是,在业(ye)界(jie)大佬(lao)们看来(lai)(lai),量(liang)子(zi)(zi)机(ji)器学(xue)习是个充满(man)无限遐想的(de)领(ling)域。“深(shen)度学(xue)习带(dai)来(lai)(lai)的(de)变化已经(jing)远超十(shi)年前的(de)估计(ji),量(liang)子(zi)(zi)计(ji)算机(ji)对(dui)量(liang)子(zi)(zi)多体系统的(de)模拟(ni)会(hui)(hui)给(ji)我(wo)们带(dai)来(lai)(lai)哪些(xie)(xie)颠(dian)覆(fu)性的(de)认识,量(liang)子(zi)(zi)与机(ji)器学(xue)习结合会(hui)(hui)对(dui)我(wo)们自身(shen)和自然界(jie)的(de)理(li)解和改(gai)变带(dai)来(lai)(lai)哪些(xie)(xie)影响,这里有非常大的(de)想象空间(jian)。”张胜(sheng)誉说。

  张胜誉(yu)介绍道,腾讯(xun)一(yi)(yi)直(zhi)持续关注量子(zi)机器学习(xi)的(de)(de)(de)(de)方向。“我(wo)们(men)团队(dui)和法(fa)国的(de)(de)(de)(de)合作(zuo)(zuo)者(zhe)Iordanis Kerenidis一(yi)(yi)起设计了第一(yi)(yi)个可(ke)证明有(you)加速的(de)(de)(de)(de)神经网络量子(zi)算(suan)法(fa),团队(dui)在(zai)机器学习(xi)对量子(zi)物理和量子(zi)化学的(de)(de)(de)(de)理解上也在(zai)不(bu)停向前探索。我(wo)们(men)希望(wang)能在(zai)这个令人期待的(de)(de)(de)(de)领域中(zhong)作(zuo)(zuo)出一(yi)(yi)些踏(ta)实的(de)(de)(de)(de)贡献。”

  在(zai)机(ji)器(qi)(qi)学习(xi)领域深耕多年的国(guo)双(shuang),也一直关注着量子(zi)机(ji)器(qi)(qi)学习(xi)等相关领域的最新动态(tai)。刘激扬(yang)说,目前,该公司(si)的产(chan)业人工(gong)(gong)智(zhi)能平台(tai)搭载(zai)包括机(ji)器(qi)(qi)学习(xi)、知(zhi)识图谱、自然(ran)语言处(chu)理等人工(gong)(gong)智(zhi)能技术与算法(fa),在(zai)数(shu)字营(ying)销、司(si)法(fa)大数(shu)据(ju)、工(gong)(gong)业互联网等领域都(dou)积累了丰富(fu)的实(shi)践经验及成功案例,切实(shi)的帮助客(ke)户提升生(sheng)产(chan)运营(ying)效率(lv)。

  “除了持续推动‘AI+行业解(jie)决方案’服务模式落地外,我们会跟进(jin)量子机器(qi)学(xue)习的进(jin)展并积极(ji)部署,思索如何将这(zhei)些新兴(xing)技(ji)术(shu)融入国双独(du)有的产业人工智能平台,致力落实用技(ji)术(shu)改变产业,为(wei)客(ke)户实现(xian)智能化转型而努力。”刘(liu)激扬说。