编辑 | 绿萝
来源：ScienceAI
经典机器学习 (ML) 算法已被证明是适用于各种任务的强大工具，包括图像和语音识别、自然语言处理 (NLP) 和预测建模。然而，经典算法受到经典计算的限制，可能难以处理大型复杂的数据集或达到高水平的准确度和精度。
进入量子机器学习 (QML)。QML 将量子计算的强大功能与 ML 的预测能力相结合，克服了经典算法的局限性并提高了性能。英国布里斯托尔大学的 Richard Jozsa 和 Neil Linden 在他们的论文《On the role of entanglement in quantum-computational speed-up》中写道：「QML 算法有望在某些任务上提供指数级的加速，例如数据分类、特征选择和聚类分析。特别是，使用量子算法进行有监督和无监督学习，有可能彻底改变机器学习和人工智能。」
论文地址：https://arxiv.org/abs/quant-ph/0201143
QML 与经典机器学习
Tredence 数据科学和人工智能高级总监 Zohra Ladha 表示，QML 在几个关键方面与传统机器学习不同：
- 量子并行性：量子算法可以利用称为量子并行性的量子系统的独特属性，这允许它们同时执行多个计算。在处理大量数据（例如图像或语音）时，这可以显著减少解决问题所需的时间。
- 量子叠加：量子叠加允许量子算法同时表示多个状态。这可以使其能够探索问题的可能解决方案，从而导致更准确和有效的解决方案。
- 量子纠缠：量子算法也可以利用量子纠缠的特性，它允许量子系统以经典物理学无法解释的方式相互关联。这可以使量子算法比经典算法更有效地执行某些任务。
传统的机器学习算法依赖于经典计算技术并且缺乏这些量子能力，在某些情况下可能会更慢或更不准确。
QML 之旅：从研究到现实世界
量子机器学习的研究始于 80 年代。在 20 世纪 90 年代末和 21 世纪初，研究人员开发了量子神经网络，以证明量子系统在机器学习方面的潜力，可以通过训练来识别数据中的模式。这些网络已被应用于广泛的现实世界问题。
十年后，研究人员开发了用于机器学习任务的量子算法和软件工具。其中包括流行机器学习算法的量子版本，例如支持向量机、决策树和神经网络。
量子计算机的发展也是 QML 发展的关键因素。在 21 世纪10 年代和21 世纪 20 年代，一些公司和研究小组开发了可以执行机器学习任务的量子计算机。其中包括基于门的量子计算机和量子退火器。到 21 世纪 20 年代，QML 开始在模式识别、自然语言处理和优化等应用中得到广泛采用。
今天，QML 最有前途的应用之一是药物发现。传统的药物发现过程可能缓慢、昂贵且不稳定。QML 有可能加速这个过程。Tech Mahindra 制造商实验室全球负责人 Nikhil Malhotra 表示：「在我们初步成功找到 COVID-19 治疗分子后，我们希望扩大空间以产生更小的分子。」 「量子 GAN 或混合 GAN 生成是我们正在尝试的小分子。我相信，这将显着推进药物发现，甚至新药研发。」
金融市场是 QML 显示出希望的另一个领域。摩根大通未来应用研究与工程实验室（JPMorgan’s Future Lab for Applied Research and Engineering） 2021 年的一篇论文得出结论，QML 可以执行资产定价、预测波动性、预测奇异期权的结果、欺诈检测、股票选择、对冲基金选择、算法交易、做市、财务预测、会计和审计以及风险评估等任务，比经典算法更快、更准确。
论文地址：https://arxiv.org/pdf/2109.04298.pdf
2023 年量子机器学习的前景
「QML 是一个令人兴奋且发展迅速的领域，有可能对广泛的行业和应用产生重大影响，」Ladha 说。到 2023 年，她预测量子算法有可能更快、更准确地执行某些机器学习任务，尤其是图像和语音识别等需要处理大量数据的任务。她还指出，QML 可以解决机器学习任务中经常出现且使用经典算法难以解决的优化问题。Ladha 预测，量子算法更有效地解决这些问题的能力可以使金融和物流受益。
网络安全是她预测 QML 会产生影响的另一个领域。「通过开发更复杂的算法来检测和防止网络攻击，量子机器学习可以提高系统的安全性，」她说。
Malhotra 表示，他希望看到绝大多数 ML 算法，特别是人工神经网络上的算法，能够作为量子机器学习算法在量子机器上进行试验。「我们已经看到了 QNLP、Q-GAN 等早期版本，甚至是量子电路上的强化学习。我预计这一趋势将在 2023 年继续增长。」
量子机器学习挑战依然存在
QML 之所以重要，是因为它的前景。有证据表明，与我们当前的经典技术相比，机器学习模型可以用更少的数据进行更高的准确性训练。然而，根据 Deloitte Consulting LLP 全球量子主管兼政府和公共服务首席技术官 Scott Buchholz 的说法，问题的答案是「少多少？」 和「快多少？」 由于 QML 的以下挑战而定期更改：
「在硬件方面，当今最强大的量子计算机仍然有限——尤其是与当今最强大的服务器相比。我们预计未来几年这种情况会发生变化，因为量子计算技术的进步和发展空间要大得多。
「在软件和算法方面，量子计算机的工作方式与今天的计算机有着根本的不同。因此，研究人员正试图找出将问题映射到量子计算机上的最佳方法（实际上，确定哪些问题可能对在量子计算机上解决有用）。当我们提出更好的广义映射时，其他人就更容易将他们的问题「带到量子计算机上」。
「多年来，QML 一直是——并将继续是——一个活跃的研究领域。随着硬件和软件成熟度的提高，我们可能会看到组织开始评估 QML 在生产工作负载中的使用，」Buchholz 继续说道。「由于我们距离拥有一台可以运行生产 QML 工作负载的机器还有几年的时间，因此随着硬件的不断改进，我们将继续推进 QML 的最新技术水平。但我预计 QML 在整个 2023 年都会取得渐进的进展——也就是说，继续改进技术来扩展容量、加载数据和运行模型。」
参考内容：https://venturebeat.com/ai/quantum-machine-learning-qml-poised-to-make-a-leap-in-2023/
