量子计算对机器学习算法的革命性影响

DANIEL ZENDER

量子计算公司Terra quantum的研究人员展示了通过使用一种结合了传统计算机和量子计算机最佳功能的新方法来改进机器学习模型的训练。这些结果对年轻的量子机器学习领域来说是一个很有希望的迹象，该领域起步缓慢，这在很大程度上是由于现有量子计算机的硬件限制。

传统计算机和量子计算机都可以用于训练机器学习模型，这本质上意味着在高维空间中求解方程。复杂的模型在这样的数学空间中既包含弯曲区域，也包含锯齿状区域。传统计算机可以求解控制锯齿状区域的方程，但它们只能通过使用逐步函数来近似弯曲区域。Terra的首席研究员Alexey Melnikov表示，相反，量子计算机受波函数控制，非常适合求解多维空间中的曲线。但量子计算机在解决锯齿状边缘区域方面效率低下，他说。

上个月发表在《智能计算》杂志（https://spj.science.org/doi/10.34133/icomputing.0028）上的这项新技术被称为并行混合网络，它利用了神经网络技术将不同训练阶段的结果组合成一个单一模型的能力。神经网络将训练机器学习模型的工作分解到不同的软件模块中。每个模块从数据集中学习不同的特征，并将它们结合在一起形成神经网络模型。该研究论文的合著者Melnikov表示，这项研究的一个关键见解是，通过给传统计算机和量子计算机提供相同的数据集，并允许它们并行训练模型，由两者组合而成的最终模型可以获得更好的结果。

Melnikov说：“我们看到，传统计算机实际上匹配了逐步的、生硬的变化，而量子计算机则适合谐波的、平滑的部分。”

并行混合网络的潜在用户面临的一个障碍是，尽管迄今为止构建的最强大的量子计算机由433个量子比特组成，但它仍然太吵，容易出错，不会对破坏标准加密等计算任务产生重大影响。Terra Quantum通过使用专门的经典高性能计算机来模拟量子计算机，从而解决了这一硬件问题。这是可能的，因为包括机器学习算法在内的软件层能够在用户不担心其下硬件层的情况下运行。Terra Quantum的计算机是为量子计算机建模而定制的。

Melnikov表示，当面对非“教科书问题”的真实世界建模时，新的混合机器学习方法尤其有用。研究人员使用该技术对垃圾焚烧火力发电厂的气体排放进行建模，该发电厂必须仔细控制发电厂燃烧过程产生的排放物的流速和温度。排放量很难预测，它们与气流和废物输入等可测量参数之间没有明显的相关性。

当研究人员在现有的经典模型中添加量子神经网络层时，他们发现该模型的错误率降至没有量子时的三分之一。Melnikov说，这种模式将提前提醒工厂运营商潜在的问题，并允许他们采取纠正措施，而不是关闭整个运营，避免了既昂贵又低效的方法。

这项新技术暗示了量子计算机上的机器学习最终可能带来的好处，尽管该领域仍然非常新。Melnikov说：“量子不适用于一切，传统也不适用于所有，但它们在共同进步。这提供了一个具体的方向。”