量子計算還處於起步階段， 目前還沒有存在量子電腦的通用架構。 然而， 他們的原型已經在這裡， 並在密碼學， 物流， 建模和優化任務中顯示出有希望的結果。 對於AI研究人員， 優化和抽樣尤為重要， 因為它能夠以更高的精度快速訓練機器學習模型。
目前， 加拿大D-Wave是量子計算領域的領先公司。 他們最新的機器D-Wave 2000Q包含2000個量子位元， 工作溫度為0.015K（略高於絕對零）。 他們的目的不是在不久的將來創造通用量子電腦， 而是比現有設備可以做的很好——量子退火。
D-Wave 2000Q以毫秒級的尺度上輸入資料， 找到解決方案並將其讀出。 您可以輕鬆地重複整個過程多次， 以獲得不同的解決方案。 並且它比類比退火的現代GPU實現速度高出數千倍。
量子退火適用于諸如玻耳茲曼機器等能源模型的培訓和抽樣。 值得注意的是， 無人值守學習， 是AI研究人員面臨的一大挑戰， 也可能是量子計算的關鍵。 但數值精度存在問題。 即使使用半精度浮點數也很難處理， 所以目前大多數工作都是使用二進位變數進行的。
D-Wave正計畫在2019年之前創建適用於機器學習的工業級混合量子、經典電腦。 另外， 1QBit正在為其機器開發專門的軟體。
QA如何工作
簡而言之， 量子退火是量子系統的受控能量減少的方法， 其將量子位從疊加移動到具有低能量配置的經典狀態。 任務描述被編碼為量子位元之間的連接中的能量函數， 並且通過退火， 它們正在朝著一些最佳配置移動。
如果轉換緩慢進行， 演算法將以高概率找到基本狀態（即最優解）：
量子耦合允許量子位同時探索所有潛在的解決方案， 同時量子隧道允許它們通過高能量障礙向“更好”狀態移動。 這些2倍的效果使量子電腦解決許多難題的優化問題， 比傳統電腦快。
IBM Q
另一個主要的研究團隊是IBM Q. Big Blue正在與Gate-model量子計算工作， 他們的機器是Universal Quantum Computers。 他們有更廣泛的應用程式， 但同時他們更難控制。 來自IBM的最先進的處理器具有16和17個量子位， 實際上很難進一步擴展。
IBM的處理器的更一般架構允許他們運行任何量子演算法。 例如， Grover的演算法可以找到一個黑盒子函數的輸入， 該函數僅在函數的O（√N）評估中產生指定的輸出。 更不用說整數分解的Shor演算法， 這對許多經典加密演算法的安全性造成了很多問題。
順便說一下， 16位元數位版本是通過IBM Q Experience程式公開的。 來自IBM Watson在AI社區的認知服務的聲譽現在是非常糟糕的。 也許， IBM Q將能夠改變這種情況。
量子世界與量子神經網路之間的另一件事是， 對經典人造神經網路進行固有隨機修改。 這是一個有趣的研究方向， 但沒有任何有意義的成就。 只有理論研究和模擬。
總體而言， 量子計算看起來像機器學習隨機模型的一個有希望的方向。 隨著D-Wave和IBM的最新進展， 我認為到2020年， 我們可以期待量子電腦在AI中的實際應用。