智能百科 | 2022 年量子人工智能深度指南

作者：小編更新時(shí)間：2022-08-22 點(diǎn)擊數(shù)：

盡管人工智能在過去十年中取得了長足的進(jìn)步，但尚未克服技術(shù)限制。借助量子計(jì)算的獨(dú)特特性，可以消除實(shí)現(xiàn) AGI（通用人工智能）的障礙……

2022 年量子人工智能深度指南 | 智能百科

量子計(jì)算和人工智能都是變革性技術(shù)，人工智能很可能需要量子計(jì)算才能取得重大進(jìn)展。人工智能雖然用經(jīng)典計(jì)算機(jī)產(chǎn)生功能性應(yīng)用，但受限于經(jīng)典計(jì)算機(jī)的計(jì)算能力。量子計(jì)算可以為人工智能提供計(jì)算提升，使其能夠解決更復(fù)雜的問題和AGI（通用人工智能）。

什么是量子人工智能？

量子人工智能是使用量子計(jì)算來計(jì)算機(jī)器學(xué)習(xí)算法。得益于量子計(jì)算的計(jì)算優(yōu)勢，量子人工智能可以幫助實(shí)現(xiàn)經(jīng)典計(jì)算機(jī)無法實(shí)現(xiàn)的結(jié)果。

什么是量子計(jì)算？

量子力學(xué)是一種基于不同于日常生活中觀察到的原理的通用模型。用量子計(jì)算來處理數(shù)據(jù)，需要建立數(shù)據(jù)的量子模型?；旌狭孔咏?jīng)典模型對于量子計(jì)算的糾錯(cuò)和量子計(jì)算機(jī)的正確運(yùn)行也是必要的。

量子數(shù)據(jù)：量子數(shù)據(jù)可以被視為包含在用于計(jì)算機(jī)化的量子比特中的數(shù)據(jù)包。然而，觀察和存儲量子數(shù)據(jù)具有挑戰(zhàn)性，因?yàn)榀B加和糾纏等特性使其有價(jià)值。此外，量子數(shù)據(jù)是嘈雜的，需要在正確分析和解釋這些數(shù)據(jù)的階段應(yīng)用機(jī)器學(xué)習(xí)。
混合量子經(jīng)典模型：僅在使用量子處理器生成量子數(shù)據(jù)時(shí)，極有可能獲得無意義的數(shù)據(jù)。因此，在傳統(tǒng)計(jì)算機(jī)中常用的CPU和GPU等快速數(shù)據(jù)處理機(jī)制的驅(qū)動下，出現(xiàn)了一種混合模型。
量子算法：算法是導(dǎo)致問題解決的一系列步驟。為了在設(shè)備上執(zhí)行這些步驟，必須使用設(shè)備設(shè)計(jì)的特定指令集。與經(jīng)典計(jì)算相比，量子計(jì)算引入了不同的指令集，這些指令集基于完全不同的執(zhí)行理念。量子算法的目的是利用疊加和糾纏等量子效應(yīng)來更快地獲得解決方案。

它為什么如此重要？

盡管人工智能在過去十年中取得了長足的進(jìn)步，但尚未克服技術(shù)限制。借助量子計(jì)算的獨(dú)特特性，可以消除實(shí)現(xiàn) AGI（通用人工智能）的障礙。量子計(jì)算可用于機(jī)器學(xué)習(xí)模型的快速訓(xùn)練和創(chuàng)建優(yōu)化算法。量子計(jì)算提供的優(yōu)化和穩(wěn)定的人工智能可以在短時(shí)間內(nèi)完成多年的分析，并引領(lǐng)技術(shù)進(jìn)步。神經(jīng)形態(tài)認(rèn)知模型、自適應(yīng)機(jī)器學(xué)習(xí)或不確定性推理是當(dāng)今人工智能面臨的一些基本挑戰(zhàn)。量子人工智能是下一代人工智能最有可能的解決方案之一。

量子人工智能是如何工作的？

最近，谷歌與滑鐵盧大學(xué)、 X和大眾汽車公司合作推出了TensorFlow Quantum（TFQ）：一個(gè)用于量子機(jī)器學(xué)習(xí)的開源庫。TFQ 的目的是提供必要的工具來控制和模擬自然或人工量子系統(tǒng)。TFQ 是一套結(jié)合了量子建模和機(jī)器學(xué)習(xí)技術(shù)的工具的一個(gè)例子。

2022 年量子人工智能深度指南 | 智能百科

資料來源：谷歌

將量子數(shù)據(jù)轉(zhuǎn)換為量子數(shù)據(jù)集：量子數(shù)據(jù)可以表示為一個(gè)多維數(shù)字?jǐn)?shù)組，稱為量子張量。TensorFlow 處理這些張量以表示創(chuàng)建數(shù)據(jù)集以供進(jìn)一步使用。
選擇量子神經(jīng)網(wǎng)絡(luò)模型：基于對量子數(shù)據(jù)結(jié)構(gòu)的了解，選擇量子神經(jīng)網(wǎng)絡(luò)模型。目的是執(zhí)行量子處理，以提取隱藏在糾纏狀態(tài)中的信息。
樣本或平均值：量子態(tài)的測量以樣本形式從經(jīng)典分布中提取經(jīng)典信息。這些值是從量子態(tài)本身獲得的。TFQ 提供了對涉及步驟 (1) 和 (2) 的多次運(yùn)行進(jìn)行平均的方法。
評估經(jīng)典神經(jīng)網(wǎng)絡(luò)模型——由于現(xiàn)在將量子數(shù)據(jù)轉(zhuǎn)換為經(jīng)典數(shù)據(jù)，因此使用深度學(xué)習(xí)技術(shù)來學(xué)習(xí)數(shù)據(jù)之間的相關(guān)性。

評估成本函數(shù)、梯度和更新參數(shù)的其他步驟是深度學(xué)習(xí)的經(jīng)典步驟。這些步驟可確保為無監(jiān)督任務(wù)創(chuàng)建有效模型。

在人工智能中應(yīng)用量子計(jì)算的可能性有哪些？

研究人員對量子人工智能的近期現(xiàn)實(shí)目標(biāo)是創(chuàng)建性能優(yōu)于經(jīng)典算法的量子算法并將其付諸實(shí)踐。

用于學(xué)習(xí)的量子算法：開發(fā)用于經(jīng)典學(xué)習(xí)模型的量子泛化的量子算法。它可以在深度學(xué)習(xí)訓(xùn)練過程中提供可能的加速或其他改進(jìn)。量子計(jì)算對經(jīng)典機(jī)器學(xué)習(xí)的貢獻(xiàn)可以通過快速呈現(xiàn)人工神經(jīng)網(wǎng)絡(luò)權(quán)重的最優(yōu)解集來實(shí)現(xiàn)。
決策問題的量子算法：經(jīng)典決策問題是根據(jù)決策樹制定的。達(dá)到解決方案集的一種方法是從某些點(diǎn)創(chuàng)建分支。但是，當(dāng)每個(gè)問題都過于復(fù)雜而無法通過不斷地一分為二來解決時(shí)，這種方法的效率就會降低?；?a target="_blank" style="margin: 0px; padding: 0px 0px 2px; text-decoration-line: none; color: rgb(51, 51, 51) !important; border-bottom: 1px solid rgb(51, 51, 51) !important;">哈密頓時(shí)間演化的量子算法可以比隨機(jī)游走更快地解決由多個(gè)決策樹表示的問題。
量子搜索：大多數(shù)搜索算法都是為經(jīng)典計(jì)算而設(shè)計(jì)的。經(jīng)典計(jì)算在搜索問題上的表現(xiàn)優(yōu)于人類。另一方面，Lov Grover 提供了他的 Grover 算法，并表示量子計(jì)算機(jī)可以比經(jīng)典計(jì)算機(jī)更快地解決這個(gè)問題。由量子計(jì)算驅(qū)動的人工智能有望用于加密等近期應(yīng)用。
量子博弈論：經(jīng)典博弈論是一種在人工智能應(yīng)用中廣泛使用的建模過程。該理論向量子場的延伸就是量子博弈論。它可以成為克服量子通信和量子人工智能實(shí)施中的關(guān)鍵問題的有前途的工具。