谷歌人工智能量子(Google AI Quantum)團隊最近發(fā)表了兩篇論文，介紹了他們在理解量子計算機學習任務方面取得的新進展。

量子計算，它能給AI技術的發(fā)展帶來什么幫助嗎?

谷歌已經(jīng)證明了量子計算也能解決傳統(tǒng)機器學習中的圖像分類問題，而且隨著技術發(fā)展，量子計算機將在在學習能力上超越經(jīng)典的神經(jīng)網(wǎng)絡。

另外量子計算還能解決經(jīng)典網(wǎng)絡中一些棘手問題，比如預防出現(xiàn)模型訓練中的梯度消失問題。

量子神經(jīng)網(wǎng)絡

在第一篇論文中，谷歌構(gòu)建一個神經(jīng)網(wǎng)絡的量子模型，研究如何在量子處理器上執(zhí)行神經(jīng)網(wǎng)絡的分類任務。

谷歌把這個模型叫做量子神經(jīng)網(wǎng)絡(QNN)，希望它能用在近期出現(xiàn)的量子處理器上。

雖然目前的工作主要是理論上的，但QNN的結(jié)構(gòu)有助于在不久的將來對量子計算機進行實現(xiàn)和測試。

QNN可以通過標記數(shù)據(jù)的監(jiān)督學習進行調(diào)整，谷歌已經(jīng)在理論上證明了可以在MNIST數(shù)據(jù)集上訓練它進行圖像分類。

谷歌預計，隨著量子計算機硬件規(guī)模的發(fā)展，未來QNN的能力將足夠與經(jīng)典神經(jīng)網(wǎng)絡匹敵，從而實現(xiàn)“量子霸權”。

在第二篇論文中，谷歌專注于量子神經(jīng)網(wǎng)絡和經(jīng)典神經(jīng)網(wǎng)絡訓練中的關鍵難題，即梯度消失或爆炸(vanishing or exploding gradients)的問題。

在傳統(tǒng)的神經(jīng)網(wǎng)絡中，神經(jīng)元權重良好的、無偏見的初始猜測通常與隨機性無關，但是在某些情況下也存在一些困難。

量子計算恰恰能解決這方面的問題。

谷歌的論文表明，量子幾何(quantum geometry)的獨特特征能夠阻止某些不良的初始化情況產(chǎn)生，幫助我們進入到到函數(shù)的穩(wěn)定區(qū)，防止選取到那些會導致梯度消失的初始化策略。

這項工作對未來初始化和訓練量子神經(jīng)網(wǎng)絡的策略具有指導意義。谷歌希望從這些量子幾何狀態(tài)中能獲得啟發(fā)，實現(xiàn)訓練網(wǎng)絡的新算法。

實現(xiàn)量子霸權

谷歌今年在量子計算領域動作頻繁。

3月份，谷歌開發(fā)出了Bristlecone量子處理器，它擁有72個量子比特，是迄今為止最大的量子芯片。超過了IBM的50量子比特和英特爾的49量子比特。

谷歌希望用Bristlecone實現(xiàn)所謂量子霸權，即量子計算機在某些數(shù)學計算中的性能完全超過傳統(tǒng)超級計算機。

NASA量子人工智能實驗室(QuAIL)和谷歌一起，共同研究如何將“各種各樣的優(yōu)化和采樣問題”映射到量子計算機上，希望在一年內(nèi)實現(xiàn)該目標。

谷歌還計劃在5年內(nèi)實現(xiàn)量子計算技術的商業(yè)化。但這并不是說谷歌要推出面向市場的量子計算機。

由于超導量子計算機需要保持在接近絕對零度附近，因此不能把它從實驗室里搬出來。預計谷歌屆時會允許用戶通過云API連接到量子計算機上。