量子智能前夜 让量子计算通过机器学习训练神经网络处理大数据

隔两秒钟，测量美国电网的传感器就会收集3 PB的数据--相当于300万千兆字节，而2006年全球产生的数字信息量才161千兆字节。一旦这种规模的数据分析遇到关键信息存储在无法访问的数据库中时，并不是按个F5就可以解决了的。普渡大学化学物理学教授和首席研究员，Sabre Kais带领的研究团队正在开发一种新的算法，用于计算电网产生的大量数据。

Sabre Kais

为了应对上述问题，研究人员试图将量子算法与小规模量子计算机上的经典计算相结合，以加速数据库的可访问性。他们使用的数据源来自于是美国能源部国家实验室传感器，他们使用相量测量单元（phasor measurement units）收集有关电压、电流和发电的电网信息。这些信息值始终在保持不断的变化，所以必须保持电网的稳定以及传感器的连续监测。

"传统用于分析数据的非量子算法当然可以预测电网状态，但随着越来越多的相量测量单元部署在电网中，我们需要更快的算法，"计算机科学教授Alex Pothen说。"用于数据分析的量子算法有可能在理论意义上大大加快计算速度，但如何实现可处理如此大量数据的量子计算机对于现在的技术而言仍是一项巨大挑战。"

研究团队的量子算法具有许多实际应用的潜力，例如帮助行业优化供应链和物流管理。它还可以使用称为量子Boltzmann机的人工神经网络发现新的化学和材料。这种神经网络用于机器学习和数据分析。"我们已经开发出一种混合量子算法，采用量子Boltzmann机器来获得精确的电子结构计算，"Kais说。"我们有概念证据显示小分子系统的结果，这将使我们能够筛选分子并加速新材料的发现。"机器学习算法已被证明可用于计算数百万量级小分子的近似电子特性，但驾驭这些分子系统对化学物理学家而言是并非易事。但Kais和普渡大学量子中心主任，物理学和天文学以及电气和计算机工程教授Yong Chen相信他们的量子机器学习算法可以解决这个问题。

Yong Chen（左）和他的研究生，他们正在研究开发由石墨烯材料制成的高灵敏度光学器件，这一进步有助于将成像和显示应用带入传感器和高速通信。（image/普渡大学 Erin Easterling）

量子机器学习/Quantum Machine Learning

量子机器学习是量子物理学和机器学习交叉领域的一个新兴的跨学科研究领域。通常是指用于分析在量子计算机上执行、演算经典数据的机器学习算法，其中同时包含了经典算法和量子算法的处理过程。特别地，量子算法是用于分析量子态而非经典数据。除了量子计算之外，量子机器学习也指代应用于量子实验产生的数据的机器学习方法，例如学习量子相变或创建新的量子实验。最新的研究分支包括利用量子机器学习从方法论和结构上探索某些物理系统和机器学习系统的相似性，特别是神经网络学。例如，将量子物理学中的一些数学和数值模拟技巧延续到经典深度学习，反之亦然。

玻尔兹曼机/Boltzmann Machine

Boltzmann机是第一个受统计力学启发的多层学习机，它是一类典型的随机神经网络属于反馈神经网络类型。其命名来源于Boltzmann在统计热力学中的早期工作和网络本身的动态分布行为。可以简单地说：离散Hopfield神经网络+模拟退火+隐单元=Boltzman机，作为一种随机递归神经网络，它的受限模型可以用于深度学习，概率编程以及其他机器学习和人工智能应用。

而说到模拟退火算法，D-Wave一定会在前方上线，作为从系统到架构完全适配退火算法的量子计算机，研究人员自然而然的想到运用D-Wave量子计算机来训练Boltzmann机和深度神经网络，虽然无论是依赖标准采样算法还是物理过程，在找寻最佳控制参数这一过程中是否存在“量子加速（Quantum Speedup，一般指无法用数学方法证明对解决同一个问题存在同样快速的经典算法）”还有待证明，但运用D-Wave量子计算机实际训练出的Boltzmann机确实具有相似甚至更好的性能。

量子神经网络/Quantum Neural Network

量子神经网络是基于量子力学原理的神经网络模型，一般是指将人工神经网络模型与量子信息的优势相结合，以便开发更有效的算法。除了物理学研究外，事实上，从最初开始，研究人员就试图在大脑中寻找潜在的量子效应。早在1989年，Roger Penrose就讨论了量子现象与人脑意识的关系问题，并指出解决量子测量问题是最终解决意识问题的先决条件，他认为人类的意识诞生于量子过程。意识的诞生、生命的本质、大脑如何接收量子行为，光合作用中的量子效应，量子力学同生物学的结合滋生了许多超越科学界限的生动辩论。

“Mind over Matter，意识高于物质”，Roger Penrose（右）与霍金对话

“许多新兴的量子技术有望在未来几十年内显着改变我们的生活，”Kais说。“我们即将迎来第二次的‘量子革命’，我们的团队很高兴有机会推动这些技术的科学发展。”

Kais团队的这个研究项目是普渡大学综合数据科学计划选出的八个项目之一，为期两年。事实上，从十年前开始，Sabre Kais便一直致力于量子算法的研究，但去年才开始尝试量子算法的开发工作。对他而言，这是最具挑战性的问题。据悉，他们已经从美国能源部获得了250万美元的资金援助，用于帮助开发新的量子技术和系统。

"这是将机器学习与量子计算相结合的激动人心的时刻，"Kais说。"最近在构建量子计算机方面取得了令人瞩目的进展，量子机器学习技术将成为在大数据中寻找新模式的有力工具。"

"量子算法是高风险，高回报的研究，很难预测这些算法将在什么时间框架内实际应用。"Pothen说。"我们正在为这种数据分析开发经典算法，希望它们能够得到更广泛的应用。"