機(jī)器學(xué)習(xí)一直都很熱門，自不必多言；量子計(jì)算能引起這么高的熱度，到底是憑什么？一起來(lái)看看本文如何解讀~

作者 | Dr.Alessandro Crimi

譯者| 蘇本如

量子計(jì)算和機(jī)器學(xué)習(xí)已經(jīng)成為當(dāng)今炙手可熱的話題。排除一些明顯的炒作外，這當(dāng)中也有一些真正的基礎(chǔ)。隨著傳統(tǒng)計(jì)算技術(shù)的發(fā)展，基于機(jī)器學(xué)習(xí)等領(lǐng)域的圖像相關(guān)分析已經(jīng)取得了令人難以置信的成果。另一方面，量子物理學(xué)一直是一個(gè)令人難解的神秘領(lǐng)域，它引起了數(shù)學(xué)（以及許多完全不科學(xué)的偽科學(xué)）發(fā)展的突飛猛進(jìn)。量子計(jì)算正在成為克服傳統(tǒng)計(jì)算的一些局限性的新方法，包括晶體管小型化的物理限制。 1在過(guò)去的一年里，人們已經(jīng)將量子計(jì)算作為神經(jīng)網(wǎng)絡(luò)的層級(jí)，或者將其視為樸素貝葉斯分類器。2020 年 3 月，谷歌宣布發(fā)布 TensorFlow Quantum，這是一系列將最先進(jìn)的機(jī)器學(xué)習(xí)與量子計(jì)算算法結(jié)合在一起的工具。 簡(jiǎn)而言之，這個(gè)工具的思路是將量子計(jì)算作為分類系統(tǒng)中的一個(gè)步驟，但我們也可能反過(guò)來(lái)考慮。

量子機(jī)器學(xué)習(xí)分類器的典型設(shè)置（圖片由作者提供）

另一種方法是由 Q-CTRL 公司創(chuàng)新提出的，Q-CTRL 一家專注于量子計(jì)算的公司，位于悉尼和洛杉磯。這種方法已經(jīng)得到驗(yàn)證，它將重點(diǎn)放在量子計(jì)算上，并有效地使用機(jī)器學(xué)習(xí)來(lái)抑制量子硬件噪聲和缺陷的影響。

大多數(shù)量子計(jì)算機(jī)硬件可以在不到一毫秒的時(shí)間內(nèi)完成計(jì)算，但是因?yàn)樵胍舻挠绊懚枰獜?fù)位，其導(dǎo)致的性能目前還不如低成本的筆記本電腦。這個(gè)結(jié)果比我們聽(tīng)到的要糟糕得多，在下一節(jié)中我會(huì)詳細(xì)解釋這一點(diǎn)。

量子退相干（DECOHERENCE）

量子位（也叫量子比特，qu-bits），這個(gè)經(jīng)典二進(jìn)制位在量子計(jì)算機(jī)中的量子版本，當(dāng)它暴露于硬件噪聲中時(shí)，其中的信息非常容易退化。這個(gè)過(guò)程被稱為量子退相干（decoherence）。這是我們?nèi)蕴幱诹孔佑?jì)算初期的原因之一。

下面是我提供的屏幕截圖，一個(gè)是理想情況下的一個(gè)量子位的預(yù)期結(jié)果，另一個(gè)是在硬件噪聲影響下的結(jié)果。從一個(gè)量子位來(lái)看，結(jié)果似乎沒(méi)有那么糟糕，但是想象一下執(zhí)行一項(xiàng)任務(wù)所需要的所有量子位，就可以想象被噪聲影響的結(jié)果有多大（即使和一個(gè)樹(shù)莓派卡式電腦或手機(jī)相比）。

從上圖看到的一個(gè)量子位的預(yù)期結(jié)果

受噪聲影響的一個(gè)量子位的結(jié)果

如何解決量子退相干問(wèn)題？自 90 年代后期以來(lái)，像安德魯·斯蒂恩（Andrew Steane）和彼得·肖爾（PeterShor）這樣的專家已經(jīng)提出了一些模型，這些模型通過(guò)引入某種冗余來(lái)補(bǔ)償它。然而，如果考慮到需要引入大量的量子位（你需要將每個(gè)量子比特重復(fù)幾次），這種方法在我們現(xiàn)有的量子計(jì)算機(jī)上實(shí)際是不可行的。

Q-CTRL 公司的解決方案是創(chuàng)建基于機(jī)器學(xué)習(xí)的固件，該固件可以修復(fù)量子退相干，而不需要額外的不可行的硬件。

量子計(jì)算硬件是基于光-物質(zhì)的交互作用（光學(xué)硬件）來(lái)執(zhí)行量子邏輯運(yùn)算的。這些電磁信號(hào)的組成實(shí)際上是一種算法，可由機(jī)器學(xué)習(xí)工具定義/細(xì)化。這個(gè)笨重的圓圈應(yīng)該會(huì)減少量子退相干。要真正理解這種方法，需要具備一個(gè)典型的機(jī)器學(xué)習(xí)專家所不具備的量子計(jì)算方面的知識(shí)。我將在下面部分盡力做個(gè)介紹。 Q-CTRL 解決方案被稱為 BOULDER OPAL，它是一個(gè) Python 包，可以通過(guò)在終端機(jī)器中鍵入如下命令來(lái)輕松安裝：

pipinstallqctrl并簡(jiǎn)單地執(zhí)行以下的導(dǎo)入命令：

fromqctrlimportQctrl

接下來(lái)的工作就是如何設(shè)置哈密頓算子（Hamiltonian），dephase，control 等等參數(shù)了…，這些是另外一個(gè)單獨(dú)的話題（如果你感興趣，可以從下面給出的的參考資料中學(xué)習(xí)，或者閱讀這個(gè)文檔）。關(guān)鍵點(diǎn)是要實(shí)現(xiàn)控制并降低噪聲，可以通過(guò)使用 TensorFlow 或其他機(jī)器學(xué)習(xí)工具來(lái)獲得基于復(fù)雜梯度的優(yōu)化方法，這些將在下面關(guān)于強(qiáng)化學(xué)習(xí)的部分中討論。

強(qiáng)化學(xué)習(xí)（REINFORCEMENTLEARNING）

在可以用來(lái)控制噪聲的優(yōu)化中，強(qiáng)化學(xué)習(xí)已經(jīng)得到了成功的應(yīng)用。強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)領(lǐng)域，在該領(lǐng)域中，智能代理（agent）會(huì)在一個(gè)環(huán)境中采取行動(dòng)，以最大化累積獎(jiǎng)勵(lì)。

量子硬件中強(qiáng)化學(xué)習(xí)的整體視圖。圖片來(lái)源于iStock 通過(guò)量子計(jì)算中的強(qiáng)化學(xué)習(xí)，學(xué)習(xí)者（Learner）可以通過(guò)對(duì)量子設(shè)備本身進(jìn)行實(shí)驗(yàn)來(lái)創(chuàng)建一個(gè)優(yōu)化的脈沖。此外，強(qiáng)化學(xué)習(xí)可以發(fā)現(xiàn)和利用我們不知道的新物理機(jī)制。然而，這樣做的缺點(diǎn)是學(xué)習(xí)者無(wú)法告訴你如何找到解決方案，因此我們無(wú)法了解設(shè)備中噪聲抑制的物理原理。 對(duì)于那些習(xí)慣于機(jī)器學(xué)習(xí)而非量子計(jì)算的人們，我將在量子物理和強(qiáng)化學(xué)習(xí)使用的術(shù)語(yǔ)之間建立一座橋梁：量子計(jì)算機(jī)被視為是一個(gè)機(jī)器學(xué)習(xí)代理（agent）的環(huán)境。該代理的任務(wù)是實(shí)現(xiàn)執(zhí)行高保真門的目標(biāo)。agent 能夠?qū)Νh(huán)境做出各種動(dòng)作（在我們的例子中，是將脈沖施加到量子計(jì)算機(jī)）。

agent 通過(guò)使用一組可測(cè)量的可觀察值和基于與目標(biāo)的接近程度的獎(jiǎng)勵(lì)來(lái)學(xué)習(xí)，以實(shí)現(xiàn)其目標(biāo)。我們的獎(jiǎng)勵(lì)來(lái)自門保真度。經(jīng)過(guò)多次實(shí)驗(yàn)，學(xué)習(xí)算法利用這些信息來(lái)提高 agent 的性能。 總結(jié)

為了了解環(huán)境和狀態(tài)，agent 向量子計(jì)算機(jī)部署了一系列脈沖。

然后 agent 獲取此狀態(tài)，并使用此信息來(lái)決定下一步要執(zhí)行的操作。

在實(shí)踐中，agent 獲取狀態(tài)并使用神經(jīng)網(wǎng)絡(luò)來(lái)決定對(duì)下一段脈沖采取什么行動(dòng)。我們對(duì)脈沖的幅度進(jìn)行量化，以便 learner 從一組有限的選項(xiàng)中進(jìn)行選擇。 一個(gè)完整的門脈沖被稱為一個(gè) episode，在 episode 結(jié)束時(shí)對(duì) agent 的獎(jiǎng)勵(lì)（在強(qiáng)化學(xué)習(xí)術(shù)語(yǔ)中）由狀態(tài)給出。這使我們能夠?qū)⒄`差信號(hào)提升到測(cè)量噪聲之上。 上述強(qiáng)化學(xué)習(xí)可以在多種學(xué)習(xí)者中進(jìn)行，包括深度策略梯度（DPG）、深度確定性策略梯度（DDPG）和 SAC（Soft Actor Critic）算法。所有這些 learner 都有超參數(shù)，必須先對(duì)其進(jìn)行調(diào)整，然后才能用于真正的實(shí)驗(yàn) 實(shí)驗(yàn)可以在 IBM 的量子計(jì)算機(jī)上運(yùn)行，也可以結(jié)合眾所周知的量子計(jì)算工具（如 QSkit）和機(jī)器學(xué)習(xí)工具（如 SciKit-learn）。 這種基于機(jī)器學(xué)習(xí)的優(yōu)化量子計(jì)算方法已經(jīng)證明可以減少硬件錯(cuò)誤并提高門保真度(如下圖)：

圖片來(lái)源：Q-CTRL/悉尼大學(xué)(Mavadiaet al. Nature Com. 2017)

參考資料

M. Hidary：Quantum computing: an applied approach

T.Jaksch、R.Ortner和P.Auer：Near-optimal Regret Bounds forReinforcement Learning

Q-CTRL Quantum Firmware

英文標(biāo)題：Don’t ask what Quantum Computing can do for MachineLearning
編輯：lyn