导读

《自然》杂志的最新报道探讨了量子机器学习这一前沿领域的现状与未来。作者Davide Castelvecchi深入剖析了这一融合了科技两大热门话题——量子计算与人工智能（AI）——的领域，揭示了其背后的潜力与挑战。

量子机器学习的崛起

在科技领域，量子机器学习作为“未来主义计算的复仇者联盟”，汇集了机器学习与量子计算的双重力量。正如《复仇者联盟》中英雄们的联合行动，这一概念将两种颠覆性的技术结合，旨在创造前所未有的计算效能。

实验室的探索与实践

谷歌、IBM、加州Rigetti和马里兰州的IonQ等公司，以及欧洲粒子物理学实验室CERN，正积极投入资源研究量子计算机如何促进机器学习技术的发展。CERN的物理学家Sofia Vallecorsa强调，他们希望通过量子计算机加速经典机器学习模型或者对其进行优化。

科学界的分歧与期待

然而，关于量子机器学习的实际应用价值，科研界存在不同意见。一方面，一些研究者坚信量子机器学习能够提供优于经典版本的性能，尤其是在模拟分子结构和寻找大整数的质因数等任务上展现出巨大潜力。另一方面，也有观点指出，尽管量子计算机的算力在增长，但当前的量子机器学习研究并未充分展示出量子优势，特别是当考虑到将经典数据转换为量子态的过程时。

理论与实践的挑战

理论研究表明，在特定的计算任务中，量子计算机的效率可能远超传统计算设备。然而，实践中量子机器学习能否实现这一理论上的飞跃，还面临着数据兼容性、量子计算复杂性以及读取过程中的不确定性等挑战。

量子优势的探索

一些研究者转向探索量子机器学习在本质上属于量子现象的应用中，发现量子优势更为明显。麻省理工物理学家Aram Harrow指出，量子机器学习在处理量子现象时表现出的潜力，可能使其成为量子计算与机器学习结合的亮点。

实验验证与理论质疑

过去20年间，量子计算研究者开发了多种量子算法，其中一些如Harrow、Seth Lloyd和Avinatan Hassidim共同开发的算法，理论上能显著加速大型线性方程组的求解，这正是机器学习的核心挑战之一。然而，实际应用中，量子机器学习是否能实现指数级提速，仍然是一个待解答的问题。

量子传感的前景

部分研究者提出，完全在量子世界中收集和分析数据，可能为物理学家提供解答经典测量无法直接解决的问题的新途径。例如，使用量子传感技术直接测量量子状态，而无需通过经典数据的中介，可能有助于理解特定材料是否达到超导态等。

结论与展望

尽管量子机器学习面临诸多挑战，但其潜在的革命性影响不容忽视。研究者们对这一领域的探索持开放态度，既期待其可能带来的加速效果，也认识到无需过分强调提速目标的重要性。随着技术的不断进步和理论的深入发展，量子机器学习的未来充满无限可能。

引用

• [1] Harrow, A. W., Hassidim, A. & Lloyd, S. Phys. Rev. Lett. 103, 150502 (2009).
• [2] Tang, E. in Proc. 51st Annu. ACM SIGACT Symp. Theory Comput. (eds Charikar, M. & Cohen, E.) 217-228 (ACM, 2019).
• [3] Biamonte, J. et al. Nature 549, 195-202 (2017).
• [4] Huang, H.-Y. et al. Science 376, 1182-1186 (2022).

原文标题与出处

该文章原载于2023年1月2日《自然》杂志的新闻特写版块，题为《The AIquantum computing mash-up: will it revolutionize science?》。