量子AI“新高峰”：探索量子机器学习的两大最新成就—

量子AI“新高峰”：探索量子机器学习的两大最新成就——

news2025/1/10 18:18:06

量子力学与机器运行速度远超现今最先进超级计算机的概念结合在一起，令人着迷。从这个角度来看，量子计算机的效率可与一级方程式赛车相比，而传统计算机则仿佛蚂蚁般缓慢。最近，生成式人工智能及其卓越的机器学习能力引发了广泛讨论。将其与量子计算的强大功能结合，将开辟无限可能。

事实上，科技历史充满了革命性的组合，例如手机与无线互联网，但量子计算与人工智能的结合可能成为最具革命性的突破。

本质上，人工智能旨在让机器以类人的方式执行任务。然而，特别是生成式人工智能（Gen AI），其突出特点在于它能以前所未有的速度做出决策和吸收新信息。相比之下，人类在处理、分析和反应上可能需要较长时间，而先进的人工智能系统能在短短几秒内处理庞大数据量，从而做出明智决策。

随着量子计算技术的加入，这些人工智能系统的学习速度将呈指数级加速。这意味着它们能以曾被认为不可能的速度进行适应、进化和创新。对这些先进人工智能模型来说，传统的几年学习过程可以缩短到几秒或几分钟，我们即将拥有一个强大的工具，推动科技进步到一个新的高度。

正当人工智能与量子计算的融合在技术前沿引发激烈讨论之际，机器学习这一人工智能（AI）和计算机科学的重要分支，正专注于探索如何使计算机能够通过数据和算法自我学习。尽管现有的人工智能算法，如ChatGPT及其他生成模型，已在社会各层面引发广泛讨论，量子计算机在机器学习方面的潜力和能力却仍然是一个相对未被充分探索的领域。

目前，全球的研究人员正投入大量精力，试图解答量子计算机是否能更有效地应对传统机器学习面临的一些挑战。

今年3月，柏林自由大学的研究团队发布了一项具有突破性的研究成果，这些成果不仅质疑了以往关于量子机器学习的假设，而且揭示了量子神经网络在学习和记忆看似随机数据方面的非凡能力。

该研究团队特别关注了量子神经网络——一种在量子机器学习领域备受期待的新兴技术。他们发现，这些网络不仅能够学习，还能记住这些数据，挑战了传统对量子模型学习新数据（即“泛化”，generalization）的理解。

论文链接：

https://www.nature.com/articles/s41467-024-45882-z

实验框架的可视化

泛化聚类哈密顿相图（generalized cluster Hamiltonian）

量子相位识别的随机化测试

柏林自由大学及海因里希-赫兹研究所的研究员Elies Gil-Fuster解释说：“这种发现仿佛发现了一个6岁孩子不仅能记住随机的数字串，还能记住乘法表。我们的实验表明，这些量子神经网络极其擅长拟合随机数据和标签，从而挑战了我们对学习和泛化的传统理解。”

这项研究不仅强调了量子神经网络的固有记忆能力，还为理论的深化和实际应用的开发指明了新的方向。研究人员强调，这些发现的重要性不亚于以往的物理学大发现，它们有潜力重新定义量子机器学习模型的未来。在技术不断进步的今天，透彻理解这些细微的差异，可能是开启量子机器学习领域进一步进步的关键。

在探讨量子计算与机器学习的结合及其潜力后，我们可以进一步考察具体技术应用的实例，特别是在从复杂数据中提取信息的新方法上。量子极限学习机（quantum extreme learning machine）就是这样一种创新技术，它利用训练数据集来推断出如何根据未校准设备的测量结果估计系统的量子特性，从而展现了巨大的应用潜力。

论文链接：

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.132.160802

利用这一方法，罗马大学的Alessia Suprano及其同事进行了一项创新性的实验，他们通过分析光子通过一系列光学设备后的最终轨道角动量测量结果，成功重建了光子的初始偏振态。这个实验仅使用了一个相对较小的数据集，但依然实现了稳健的性能，值得注意的是，这一重建过程无需依赖对实验平台的详细了解。

在具体操作中，研究团队首先将单个光子置于随机的初始偏振态。随后，光子依次经过一系列设备，这些设备通过改变光子的轨道角动量来调整其初始状态。完成这一系列变换后，一台专用仪器对输出光子的轨道角动量进行测量，测量结果随即被送入计算机进行处理。通过对300个这样的事件进行分析，他们的机器学习模型成功被训练以重建每个光子的初始偏振态。