導語：神經網路最初被提出來的時候便受到當時學界的一眾嘲笑， 而時至今日， 這一顛覆性的技術正在改造我們世界的當下和未來。
早在上世紀90年代初， 威奇托州立大學（Wichita State University）的物理學教授伊莉莎白·貝爾曼（Elizabeth Behrman）就已經開始著手將量子物理和人工智慧這兩大領域結合起來，
當時， 大多數人都認為這項技術的荒謬程度就好像要把油和水混合起來一樣。 她回憶說：“我有一段時間到處找尋期刊， 想要發表我的文章。 神經網路期刊拒絕了我：'量子力學的東西為什麼往我們這裡發？' 而物理期刊又說：'這篇有關神經網路的垃圾是什麼？'”
時至今日， 這兩個領域的結合已經是水到渠成了。 神經網路和其他機器學習系統已經成為21世紀最具顛覆性的技術。 機器與人工智慧在許許多多的方面都已經勝過、替代了人類， 不僅僅是在常見的諸如國際象棋和資料採擷等方面，
量子電腦在經過數十年的研究之後， 跟其他電腦比起來幾乎有壓倒性的優勢。 這其中起到關鍵作用的是量子計算的應用程式， 這也是現代加密的關鍵。
不同於數十年前初創時的無人問津， 現在量子計算領域可謂鮮花著錦， 烈火烹油：穀歌， 微軟， IBM等科技巨頭紛紛投入到量子機器學習中， 多倫多大學的一家創業孵化公司也致力於此。 莫斯科Skolkovo科學與技術學院的量子物理學家Jacob Biamonte說：“機器學習正在成為一個流行詞， 而且當你把它和量子混合在一起時， 它就成了一個超級流行詞。 ”
然而， 雖然大多數人可能認為量子機器學習系統應該是強大的， 但它卻不盡完美。 由於它是在量子狀態， 而非人類可讀的資料狀態下運行， 所以這之間緩慢的轉換速度足以抵消不少優勢。
無論是經典神經網路還是量子神經網路， 主要工作都是要識別圖樣。 受人腦啟發， 它被設計為由基本計算單位“神經元”組成的網格。 每個神經元都像開關裝置一樣簡單， 一個神經元監視多個其他神經元的輸出；如果下級有足夠多的神經元開啟，這個神經元就會開啟。
通常情況下，神經元是分層排列的。初始層接受輸入（如圖像圖元），中間層創建各種輸入組合（表示邊緣和幾何形狀等結構），最後一層產生輸出（圖像內容的高級描述）。
圖|神經網路結構
重要的是，神經元之間的佈局不是預先固定的，而是在一個反復試驗的過程中逐漸適應。對於每個圖像，神經元之間的連接起初都是隨機的，但在之後會不斷調整。一個正常的神經網路可能有十億個連接，而且每個都會經歷調整。
在經典的電腦上，所有這些互連都是用數位矩陣表示的，運行網路意味著做矩陣代數。傳統上，這些矩陣操作是由專用晶片進行的，這樣的運行速度遠遜於量子電腦。麻省理工學院物理學家，量子計算先驅塞斯·勞埃德（Seth Lloyd）表示：“在量子電腦上，大型矩陣的操作速度堪稱呈指數級增長。”
對於這個任務，量子電腦能夠利用量子系統的指數性質。量子系統資訊存儲容量的大部分不在於它的單個資料單元——量子位元，而在於這些量子位的集體性質。
兩個量子位元有四個聯合狀態：全開啟，全關閉，開啟/關閉，關閉/開啟。每個狀態都有一定的權重，可以代表一個神經元。如果添加第三個量子位，則可以表示八個神經元；四個量子位，16個神經元。因此,機器的容量是呈指數增長的。當機器在四個量子位元的狀態下工作時，一次處理16個數位，而經典的電腦將只能逐個處理這些數位。
勞埃德估計，60個量子位就足以對一年內人類產生的所有資料進行編碼，300個足以存儲目前已知宇宙全部的、浩如煙海的資訊。（目前最大的量子電腦，由IBM，英特爾和穀歌建造，有50個量子位。）
圖|50量子位元的IBM量子電腦
當然，目前學界面臨的問題就是，量子電腦並不十全十美，存儲資訊的速度並不快于傳統電腦。
如何讓問題自然而解到目前為止，基於量子矩陣代數的自我學習系統只在四量子位元電腦上實現過。而且，大部分有關量子機器學習的成功實驗其實都採取了不同的方法，比如把量子系統直接作為網路，每個量子位元代表一個神經元。這樣雖然沒有了用狀態代表神經元那樣的指數爆炸性容量，但是卻可以利用量子物理的其他特性。
這裡，我們舉出D-Wave系統作為例子。該系統的原理是，首先施加一個水準磁場，將量子位初始化為上下層相等的疊加。之後，輸入資料，然後讓量子位元互動。有些位試圖沿著相同的方向排列，有些沿著相反的方向排列，在水準領域的影響下，它們又會觸發其他量子位翻轉。然而，隨著時間的推移，所有量子位最終會安頓下來，這時再關閉水準區域，將其鎖定下來。
圖|D-Wave——世界上第一台商用量子電腦
量子位元的最終排列無法確定，這就是特點。這個系統只是自然而然地解決了一個普通的電腦會遇到的問題。發明了D-Wave系統運行原理的東京理工學院的物理學家Hidetoshi Nishimori解釋說：“我們不需要演算法。這種方法與傳統的程式設計完全不同，資訊轉換速度的問題自然而然地迎刃而解。“
去年，由加利福尼亞理工大學的粒子物理學家瑪麗亞·斯皮羅波盧（Maria Spiropulu）和USC的物理學家丹尼爾·裡達爾（Daniel Lidar）領導的小組將機器學習演算法應用於一個實際的物理問題：將質子碰撞分類為“希格斯玻色子”或“無希格斯玻色子”。他們用基本的粒子理論來預測哪些光子性質可能會在希格斯玻色子上出現，比如超過某個閾值的動量。研究小組預設了8個這樣的屬性和及其28種組合，並用D-Wave系統找到答案：它確定了其中的三種組合。與標準程式相比量子機器只需要更少的資料，即可準確識別結果。
裡達爾說：“如果用於訓練的集合很小，那麼量子方法確實比傳統的高能物理學方法具有更高的精度。”
瓶頸的出現
然而，量子計算中目前還存在著不少懸而未決的問題。如，在矩陣代數演算法中，單個操作可以操縱16個數位的矩陣，但是仍然需要16個操作來載入矩陣。
還有，資料一旦被輸入，就需要以一種量子系統能夠與之交互的方式來存儲它，而不會破壞正在進行的計算。研究人員曾提出了一種使用光子的量子RAM，但是這種方法對超導量子位或者捕獲離子尚不能起作用。
還有一個問題：如何得到想要的資料？這意味著要測量機器的量子狀態，但是量子電腦不但一次只能返回一個數位，而且隨機抽取一個數位後，代表它的狀態就會消除，這意味著在我們檢索之前所有的資料就已經被抹除了。因此，目前只能通過一遍又一遍地運行演算法，來提取量子計算中的資訊。所有這些，都亟待學界去思考解決的方法。也許這些問題能妥善解決之日，就是量子計算真正走上舞臺之時。
量子智慧最終能否實現？
拋開之前的話題，我們再來看量子應用的另一方面。微軟研究公司的量子計算研究員南森•維貝（Nathan Wiebe）說：“給定一個足夠大，足夠快的量子電腦，我們可以徹底改變機器學習的許多領域。”
機器學習不僅僅是一堆演算法的問題。這是一個複雜的領域，有自己的特定結構。正如許多神經科學家現在認為人類思維的結構反映了身體的要求，機器學習系統也體現了這一點。流經它們的圖像，語言等資料都來自物質世界，並反映其本質。同樣，量子機器學習也會體現其量子特性。這其中一個廣受吸引的領域就是，如何處理已經是量子的資料。當資料不是圖像，而是物理或化學實驗的產物時，量子電腦取代傳統電腦，再也沒有輸入問題，一切都將大不相同。
圖| 物理學家瑪麗亞·斯皮羅波盧（Maria Spiropulu）利用量子電腦尋找希格斯波色子
神經網路和量子處理器有一個共同點：它們的工作方法煞是神奇。想要訓練一個網路聽起來像是天方夜譚，大多數人都十分懷疑它的可行性。同樣，我們也還不能將量子物理學用於計算，因為目前我們對量子物理學還瞭解甚少。然而，兩者都總還是有希望的。究竟能否憑此衍生出未來的量子智慧，達到自主學習的程度，我們且拭目以待吧。
編輯 | 褚茗帆
審校 | Soybean
致敬科技未來
分享才是熱愛
TechPower科技力
熱愛因科技而發生
一個神經元監視多個其他神經元的輸出；如果下級有足夠多的神經元開啟，這個神經元就會開啟。通常情況下，神經元是分層排列的。初始層接受輸入（如圖像圖元），中間層創建各種輸入組合（表示邊緣和幾何形狀等結構），最後一層產生輸出（圖像內容的高級描述）。
圖|神經網路結構
重要的是，神經元之間的佈局不是預先固定的，而是在一個反復試驗的過程中逐漸適應。對於每個圖像，神經元之間的連接起初都是隨機的，但在之後會不斷調整。一個正常的神經網路可能有十億個連接，而且每個都會經歷調整。
在經典的電腦上，所有這些互連都是用數位矩陣表示的，運行網路意味著做矩陣代數。傳統上，這些矩陣操作是由專用晶片進行的，這樣的運行速度遠遜於量子電腦。麻省理工學院物理學家，量子計算先驅塞斯·勞埃德（Seth Lloyd）表示：“在量子電腦上，大型矩陣的操作速度堪稱呈指數級增長。”
對於這個任務，量子電腦能夠利用量子系統的指數性質。量子系統資訊存儲容量的大部分不在於它的單個資料單元——量子位元，而在於這些量子位的集體性質。
兩個量子位元有四個聯合狀態：全開啟，全關閉，開啟/關閉，關閉/開啟。每個狀態都有一定的權重，可以代表一個神經元。如果添加第三個量子位，則可以表示八個神經元；四個量子位，16個神經元。因此,機器的容量是呈指數增長的。當機器在四個量子位元的狀態下工作時，一次處理16個數位，而經典的電腦將只能逐個處理這些數位。
勞埃德估計，60個量子位就足以對一年內人類產生的所有資料進行編碼，300個足以存儲目前已知宇宙全部的、浩如煙海的資訊。（目前最大的量子電腦，由IBM，英特爾和穀歌建造，有50個量子位。）
圖|50量子位元的IBM量子電腦
當然，目前學界面臨的問題就是，量子電腦並不十全十美，存儲資訊的速度並不快于傳統電腦。
如何讓問題自然而解到目前為止，基於量子矩陣代數的自我學習系統只在四量子位元電腦上實現過。而且，大部分有關量子機器學習的成功實驗其實都採取了不同的方法，比如把量子系統直接作為網路，每個量子位元代表一個神經元。這樣雖然沒有了用狀態代表神經元那樣的指數爆炸性容量，但是卻可以利用量子物理的其他特性。
這裡，我們舉出D-Wave系統作為例子。該系統的原理是，首先施加一個水準磁場，將量子位初始化為上下層相等的疊加。之後，輸入資料，然後讓量子位元互動。有些位試圖沿著相同的方向排列，有些沿著相反的方向排列，在水準領域的影響下，它們又會觸發其他量子位翻轉。然而，隨著時間的推移，所有量子位最終會安頓下來，這時再關閉水準區域，將其鎖定下來。
圖|D-Wave——世界上第一台商用量子電腦
量子位元的最終排列無法確定，這就是特點。這個系統只是自然而然地解決了一個普通的電腦會遇到的問題。發明了D-Wave系統運行原理的東京理工學院的物理學家Hidetoshi Nishimori解釋說：“我們不需要演算法。這種方法與傳統的程式設計完全不同，資訊轉換速度的問題自然而然地迎刃而解。“
去年，由加利福尼亞理工大學的粒子物理學家瑪麗亞·斯皮羅波盧（Maria Spiropulu）和USC的物理學家丹尼爾·裡達爾（Daniel Lidar）領導的小組將機器學習演算法應用於一個實際的物理問題：將質子碰撞分類為“希格斯玻色子”或“無希格斯玻色子”。他們用基本的粒子理論來預測哪些光子性質可能會在希格斯玻色子上出現，比如超過某個閾值的動量。研究小組預設了8個這樣的屬性和及其28種組合，並用D-Wave系統找到答案：它確定了其中的三種組合。與標準程式相比量子機器只需要更少的資料，即可準確識別結果。
裡達爾說：“如果用於訓練的集合很小，那麼量子方法確實比傳統的高能物理學方法具有更高的精度。”
瓶頸的出現
然而，量子計算中目前還存在著不少懸而未決的問題。如，在矩陣代數演算法中，單個操作可以操縱16個數位的矩陣，但是仍然需要16個操作來載入矩陣。
還有，資料一旦被輸入，就需要以一種量子系統能夠與之交互的方式來存儲它，而不會破壞正在進行的計算。研究人員曾提出了一種使用光子的量子RAM，但是這種方法對超導量子位或者捕獲離子尚不能起作用。
還有一個問題：如何得到想要的資料？這意味著要測量機器的量子狀態，但是量子電腦不但一次只能返回一個數位，而且隨機抽取一個數位後，代表它的狀態就會消除，這意味著在我們檢索之前所有的資料就已經被抹除了。因此，目前只能通過一遍又一遍地運行演算法，來提取量子計算中的資訊。所有這些，都亟待學界去思考解決的方法。也許這些問題能妥善解決之日，就是量子計算真正走上舞臺之時。
量子智慧最終能否實現？
拋開之前的話題，我們再來看量子應用的另一方面。微軟研究公司的量子計算研究員南森•維貝（Nathan Wiebe）說：“給定一個足夠大，足夠快的量子電腦，我們可以徹底改變機器學習的許多領域。”
機器學習不僅僅是一堆演算法的問題。這是一個複雜的領域，有自己的特定結構。正如許多神經科學家現在認為人類思維的結構反映了身體的要求，機器學習系統也體現了這一點。流經它們的圖像，語言等資料都來自物質世界，並反映其本質。同樣，量子機器學習也會體現其量子特性。這其中一個廣受吸引的領域就是，如何處理已經是量子的資料。當資料不是圖像，而是物理或化學實驗的產物時，量子電腦取代傳統電腦，再也沒有輸入問題，一切都將大不相同。
圖| 物理學家瑪麗亞·斯皮羅波盧（Maria Spiropulu）利用量子電腦尋找希格斯波色子
神經網路和量子處理器有一個共同點：它們的工作方法煞是神奇。想要訓練一個網路聽起來像是天方夜譚，大多數人都十分懷疑它的可行性。同樣，我們也還不能將量子物理學用於計算，因為目前我們對量子物理學還瞭解甚少。然而，兩者都總還是有希望的。究竟能否憑此衍生出未來的量子智慧，達到自主學習的程度，我們且拭目以待吧。
編輯 | 褚茗帆
審校 | Soybean
致敬科技未來
分享才是熱愛
TechPower科技力
熱愛因科技而發生