江苏龙网

  1. 首页 > 人文 > >

谷歌做手写数字分类准确率才41.27%？对，不过是用量子计算做的( 二 )


从概念上讲 ， 利用干涉来增强量子实验产生所需结果的可能性是所有量子计算的基本思想 。 这个问题与现代量子计算之间的主要区别在于 ， 后者试图通过控制多个「纠缠」成分的量子态来执行计算 ， 这些「纠缠」成分通常是耦合了两种状态的量子系统（被称作「量子比特」） ， 通过由整个量子系统量子态的一部分所控制的「量子门」来实现 。
因此 ， 构建有多个量子比特的量子计算机需要精细地控制量子比特之间的相互作用 。 这通常需要将温度降至 0.1 开尔文（-273.05℃）来消除热噪声 。
但是 ， 在本文研究的这个问题中 ， 量子态之间的转换可以在室温下使用常规光学器件来完成：绿色光子的能量为 2.5 eV（电子伏特） ， 远高于典型的室温热辐射能量 kT ' 25 meV 。 但制造一种允许多个光子像在多比特量子计算机中一样交互的设备就非常具有挑战性了 。
尽管如此 ， Knill、Laflamme 和 Milburn 等人在 2001 年设计了一种协议 ， 使其在理论上可行 。 他们通过巧妙地利用辅助光子量子比特（ancillary photon qubit）、玻色统计和测量过程避免了使用保留相干性的非线性光学器件（可能无法通过实验实现） 。 在所有此类应用中 ， 基本思想都是采用相干多光子量子态进行多个量子比特的计算 。
在这个问题中 ， 研究者只用了一个光子 ， 唯一要处理的相关信息被编码在其波函数的空间部分（即偏振无关） 。 因此 ， 当前的工作类似于由 Cerf 等人在 1998 年提出的「量子逻辑的光学模拟」 ， 其中一个 N 量子比特的系统由一个光子的 2^N 个空间模式表示 。 目前相关的研究有用于实现各种算法的类似「量子计算的光学模拟」 ， 包括（小）整数分解等 ， 但仍未与机器学习关联起来 。
本研究可以被归为量子不可扩展（non-scalable）架构上的机器学习方法范畴 。 或者 ， 我们也可以将其视为一项最新研究 (Khoram et al. [2019].) 的量子模拟 。
研究者表示：「从概念上说 ， 利用干涉来提高量子实验产生所需结果的可能性是量子计算领域的基本思想 。 」除了为量子和机器学习专家提供一个容易理解、上手的问题之外 ， 这对于在更易访问的环境中进行测量过程的物理学教学（通常被称为波函数的坍缩）也有一定意义 。
遇事不决 ， 量子力学
研究者说 ， 这项工作旨在展示简单的量子力学技术如何能够为解决 AI 问题提供新的思路 。
在 MNIST 上 ， 最经典的计算可以实现的是检测落在图像像素之一上的光子 ， 并根据光的强度分布猜测数字 ， 光的强度的分布是通过将每个图像的亮度重新缩放为单位和而获得的 。
该研究的量子力学方法采用分束器、移相器和其他光学元件来创建类似全息图的推断图 。 光子所降落的推断模式区域可作为信息提供给图像分类 ， 从而说明了不必同时用多个光子照射一个场景来产生干涉 。
有人预测 ， 量子计算将大大推动人工智能和机器学习领域的发展 。 去年 3 月 ， IBM、麻省理工学院和牛津大学在《自然》杂志发表了一篇文章 ， 称随着量子计算机变得越来越强大 ， 它们将能够执行特征映射 ， 也就是将数据分解为非冗余特征 。 如此一来 ， 研究者将可以开发出更高效的 AI ， 比如去识别传统计算机无法识别的数据模式 。
在那篇《自然》杂志的文章中 ， 作者们这样写道：「机器学习和量子计算是两种技术 ， 每一种技术都有潜力改变彼此之前无法解决的难题 。 量子算法所提供的计算加速的核心要素是通过可控的纠缠和干涉来利用指数级的量子态空间 。 」
参考链接：https://venturebeat.com/2020/08/14/google-researchers-use-quantum-computing-to-help-improve-image-classification/


推荐阅读


上一篇：行业互联网妈湾智慧港落地：深圳点亮5G港口应用前进之路

下一篇：瑞斯天下全能型的音频接口 小巧便携 这才是你想要的录音方式