Quantum for AI 通过量子计算赋能人工智能
来源：百度技术沙龙第103期：百度量子软硬一体化”第一期报告 作者：王鑫博士
在介绍量子人工智能之前，让我们首先简单地解释一下，为什么我们需要量子计算？量子计算本质上是一种全新的计算范式，在计算能力方面相对于经典计算带来的不是10倍的提升，而是指数次倍数的提升。值得一提的是，量子计算不会取代经典计算，而是与其形成互补，在许多关键领域提供计算性能显著提升的解决方案，甚至能够解决原先没有办法解决的问题。
作为一种新的计算范式，量子计算和经典计算到底有什么区别呢？从计算的基本单位来理解，在经典计算中通常使用的是经典比特，是一种确定性的比特，只能处于0或1的状态。量子计算的基本单位是量子比特，与经典比特不同的是，量子比特可以处于0和1的叠加状态。更具体地说，量子计算利用了许多量子力学中的性质，比如量子相干、量子纠缠等，正是这些量子特性为量子计算机提供了更加强大的信息处理能力。
以日常生活中常见的条形码为例，假如我们想区分或者分辨条形码，经典方法可以对一个位置 x 运行一次算法去查询条形码在 x 位置上是黑色还是白色。通常情况下，经典算法需要很多次查询才可以给出确定性的结果来分辨两个条形码是否相同。而量子算法则是通过量子叠加的特性，可以同时查询多个位置的叠加状态，然后提取对应的信息，其优势就是只需要一次查询就可以获取全局的信息来完成分辨。这是量子计算处理问题的一个简单例子，也是很多著名量子算法的出发点。
基于量子计算的这些性质和优势，量子计算目前有着广泛的应用场景。比如在信息与密码安全方面，可以通过已知量子算法去破解一些密钥，当然也会有后量子密码去确保这些信息的安全性。另一方面，可以将量子计算应用于人工智能方向，比如提供更好更快的推荐算法，解决组合优化问题等等。除此之外，还可以通过量子模拟加速材料研发，更便捷高效地研发锂电池，通过量子计算赋能金融科技与生物制药等领域。
本篇文章内容主要聚焦在量子人工智能方面。这里更关注的是量子机器学习，从下图我们可以看到量子机器学习是机器学习与量子信息处理的交叉学科，量子技术对机器学习有多项式甚至指数级加速，而机器学习应用于量子计算研究也取得了很多重要进展。可以预期的是，量子机器学习可以帮助我们开发更多具有量子优势的人工智能算法，通过机器学习的工具也可以在工业层面以及实践层面为量子计算提供更多支持。
Quantum for AI 通过量子计算赋能人工智能
我们先整体概览一下人工智能的整体架构。最上层是人工智能业务，比如计算机视觉、自然语言处理、语音识别等，针对这些业务会有很多具体的任务，比如图像分类、目标检测等等。针对这些任务，再往下一层，我们就需要具体的算法，比如神经网络、推荐算法、生成对抗网络等去解决这些任务。最后则是在框架平台及底层硬件上执行这些算法。量子人工智能是量子计算在算法、框架、硬件三个层面进行 AI 基础能力的创新突破，在准确率提升的同时可以大幅降低时间和能源成本。
AI for Quantum 通过人工智能突破量子技术瓶颈
从下图我们可以看到很多 AI 技术可以应用于解决量子计算中很多核心的问题，比如量子信息处理协议，量子纠缠基础等，这些基础研究可以更好助力量子纠错、量子噪声缓释方案研发以及量子特征提取等方向。人工智能可以帮助我们解决量子信息的瓶颈问题，并加深我们对复杂量子系统、量子纠缠等量子理论的认识，赋能量子通信、量子纠错等技术的开发与突破。
量桨—量子机器学习平台
量桨是全球首个云量一体的量子机器学习平台。在量子计算机上，量子机器学习平台可以调用云端的量子算力运行量子机器学习算法。量桨连接了人工智能与量子计算，推动人工智能和量子计算的融合创新，也更加关注 AI for Quantum 和 Quantum for AI。
下图是量桨平台的全景图，最上层是具体的解决方案，例如金融科技、人工智能、化工医药和交通制造。量桨提供了丰富的模型案例，包括组合优化、机器学习、量子模拟、量子网络等。中间是平台的核心框架，包括量子态、量子神经网络、损失函数。量桨平台也包含了非常丰富的模拟器和基于测量的量子计算等重要工具。量桨可以通过飞桨或量易伏框架调动底层的硬件。
量桨开发优势
第一个是需求场景。量桨关注了探索量子神经网络在 AI、视觉文本等方面的应用，以及利用神经网络解决量子信息等方向的科学问题，并针对这两个场景做了全面的功能开发以及布局。
第二个是入门友好。量桨提供非常丰富的教程、全面的功能，以及完善的文档，确保较低的开发门槛，新手也可以快速入门。
第三个是开发便捷。量桨继承了飞桨的神经网络算子，符合 AI 开发者的使用习惯，同时也确保很多功能与工具集符合量子领域开发者的使用习惯，帮助开发者更便捷地去开发量子算法。
量桨的核心功能
目前量桨支持量子经典混合框架。在量子神经网络在执行过程中，可以对经典数据的进行处理以及特征提取，也可以作为经典神经网络的一个组件，轻松完成训练。
什么是量子神经网络呢？对于常见的经典神经网络，输入的数据 x 经过逐层的神经网络计算最后输出 y。而量子神经网络是一种参数化的量子电路，通过调整量子门的参数使得量子计算机可以演化到目标状态上。
在量桨平台上，编写简单的几行代码就可以方便快捷地搭建参数化量子电路。基于一些实际的需求，也可以增加噪声变成含噪量子电路，部署完成后的电路可以进一步在量子计算机上进行实验。基于目前的量子硬件水平，量子电路的运行成本越低越好，即电路使用的量子门越少或者越浅，得到的精度或效果会越高，而量桨搭载的全自动化的优化电路结构可以减少量子门的数量进而提升真机部署效果。
量子人工智能的量子环境部署是量桨的一大特色，基于量桨可以更好地研发对应的算法，然后直接将算法通过量易伏部署到量子计算机上，再返回结果，最后从量桨平台得到一个完整的迭代。
量桨赋能前沿创新
量子神经网络是量子机器学习的核心，在今年人工智能顶会 NeurIPS 发布的一篇论文中[1]，量桨团队展示了对量子神经网络表达能力的研究结果，首次严格证明了单比特量子神经网络模拟函数的能力，类似经典神经网络的通用近似理论。针对编码层训练层再编码层训练层等，我们严格证明了此类量子神经网络可以表示为 L 项截断的傅里叶级数形式。
以上所展示的是单量子比特的函数模拟，基于量桨我们做了更深入的研究，提出了量子相位处理框架[2]，在多量子比特情况下也可以拓展出更强大的能力，处理更多类型的任务。本质上来说，量子相位处理可以提取量子数据的本身相位，并对这些相位做函数变换。通过输入 n 比特的量子数据，我们可以同时完成 2^n 次的经典函数的模拟，进而应用与量子相位估计、哈密顿量模拟、量子熵估计、机器学习等场景[2]
针对 AI for Quantum 方向的研究也取得了不错的进展。第一个重点是 LOCCNet[3]，这项工作主要通过机器学习或者量子神经网络学习和优化量子纠缠处理方面的协议。在量子信息中非常关键的问题上，本方案比原先业界最好的方案有着更高的保真度，甚至可以逼近理论保真度的上限，整体保真度的提升最高可以达到20%。第二个重点是量子纠缠探测与量化，量桨团队提出了首个适用于近期量子设备的纠缠探测及量化框架。
针对 Quantum for AI 方向具体应用的研究，第一个是量子自然语言处理[4]，创新性地引入自注意力机制，赋予量子神经网络处理复杂文本的能力。第二个是自研量子机器学习算法[5]，通过量子特征映射，在减少参数量的同时更准确地识别数据中的复杂模式，展示量子高效处理分类问题的潜力。
量子计算机的应用实践
一方面可以通过量子计算机解密量子纠缠，在小规模系统上量子计算机可以进行量子纠缠态的制备以及熵估计。此外，我们也在量子计算机上进行了量子模拟方面的一些探索，比如对于变分量子算法、海森堡模型演化等都做了成功的演示。基于理论的推演，量子计算机能够模拟的问题规模将随着量子硬件的不断发展而超过经典计算机，特别是在量子模拟问题规模不断增大的时候，量子优势将更加明显，这在新能源电池研发、高温超导材料研发等方面都有一定潜力。
展 望
量桨（qml.baidu.com）已经可以通过连接量易伏将量子机器学习任务部署到量子硬件上实现计算，大家可以通过量桨去接触、学习、研究和实践量子计算，也非常欢迎大家加入量桨的社区共建生态。我们相信随着量子机器学习平台的性能持续提升，功能持续丰富，在量子产业应用的探索和量子基础研究上也会取得持续突破。深度学习框架与量子算力的结合，量子计算与人工智能的融合创新，都会帮助我们不断突破技术瓶颈，取得更强大的人工智能能力，在未来更好地实现量子计算赋能各行各业。
▎参考资料
[1] Yu, Z., Yao, H., Li, M., & Wang, X. (2022). Power and limitations of single-qubit native quantum neural networks (arXiv:2205.07848). arXiv. https://doi.org/10.48550/arXiv.2205.07848. Accepted by the 36th Conference on Neural Information Processing Systems (NeurIPS 2022. https://nips.cc/Conferences/2022/Schedule?showEvent=53390)
[2] Wang, X., Wang, Y., Yu, Z., & Zhang, L. (2022). Quantum Phase Processing: Transform and Extract Eigen-Information of Quantum Systems (arXiv:2209.14278). arXiv. https://doi.org/10.48550/arXiv.2209.14278
[3] Zhao, X., Zhao, B., Wang, Z., Song, Z., & Wang, X. (2021). Practical distributed quantum information processing with LOCCNet. Npj Quantum Information, 7(1), 159. https://doi.org/10.1038/s41534-021-00496-x
[4] Li, G., Zhao, X., & Wang, X. (2022). Quantum Self-Attention Neural Networks for Text Classification (arXiv:2205.05625). arXiv. https://doi.org/10.48550/arXiv.2205.05625
[5] Li, G., Song, Z., & Wang, X. (2021). VSQL: Variational shadow quantum learning for classification. Thirty-Fifth AAAI Conference on Artificial Intelligence, AAAI 2021, Thirty-Third Conference on Innovative Applications of Artificial Intelligence, IAAI 2021, the Eleventh Symposium on Educational Advances in Artificial Intelligence, EAAI 2021, Virtual Event, February 2-9, 2021, 8357–8365. https://ojs.aaai.org/index.php/AAAI/article/view/17016
联系客服
