谷歌AI量子小組最近發表了兩篇論文，致力於探索量子計算機和機器學習之間的關係。InfoQ藉此機會與谷歌的資深研究科學家Jarrod McClean進行了交談，以更好地理解這些結果的重要性。
量子計算的一個重要研究領域是量子計算機在量子神經網絡訓練中的應用。谷歌AI量子小組最近發表了兩篇論文，致力於探索量子計算機和機器學習之間的關係。
在第一篇論文“基於近距離處理器的量子神經網絡分類”中，谷歌研究人員提出了一種神經網絡模型，與當前量子處理器的侷限性相匹配，特別是高水平的量子噪聲和糾錯的關鍵作用。
第二篇論文“量子神經網絡訓練領域的貧瘠高原”探討了量子幾何的一些特性，這些特性似乎可以防止出現存在於經典神經網絡中的一個主要問題，即梯度消失或爆炸。
InfoQ藉此機會與谷歌資深研究科學家Jarrod McClean進行了交談，以便更好地理解這些結果的重要性。
InfoQ：你能詳細談談谷歌AI Quantum團隊最近發表的兩篇論文中提到的結果的重要性嗎?
Jarrod McClean：這兩篇論文主要關注量子神經網絡的兩種截然不同的結果。第一種是利用量子神經網絡攻擊傳統分類任務的一種通用方法。我們認爲這可能是一個重要的框架，用來探索如何將量子設備應用於傳統的機器學習任務和問題。當我們只能推測量子計算的優點時，根據經驗評估其性能就變得很重要，而這爲我們提供了這樣的一個框架。
第二種結果是關於量子神經網絡訓練中一個基本而有趣的現象的存在。它反映了這樣的一個事實：量子電路中充分的隨機化幾乎就像一個黑洞一樣，導致信息很難被提取出來。然而，我們可以通過巧妙的策略來避免這些陷阱，而這項工作的重要性在於它展示了預期這些陷阱什麼時候會出現以及應該如何檢測它們。我們相信這些知識對於設計有效的量子計算機訓練策略來說是至關重要的。
InfoQ：你能就谷歌AI量子團隊目前的研究方向提供一些見解嗎？你的下一個目標是什麼？
McClean：這個小組的一個主要目標是基於我們的量子芯片執行一個超越經典的任務，也被稱爲“量子霸權”。同時，我們對開發在噪聲中等規模量子(NISQ)設備上運行的近距離應用程序也很感興趣。開發這樣的算法和應用程序仍然是我們的一個關鍵目標，我們感興趣的三個主要應用領域是物理系統的量子模擬、組合優化和量子機器學習。
InfoQ：機器量子學習的前景是什麼?
McClean: 從傳統來看，量子機器學習至少有兩個潛在的優勢。首先是加快或改進現有經典網絡的訓練。我們並沒有在最近的工作中從這個角度去探討問題。
其次是量子網絡可以比經典網絡更簡潔地表示有趣的概率分佈。這種想法是建立在這樣的知識基礎之上——我們知道有些量子概率分佈難以從經典任務中取樣。
如果分佈之間的這種區別被證明是正確的（即使是對於經典的數據），那麼這可能意味着可以訓練出更準確的機器學習分類器，可以在訓練時降低成本或獲得更好的泛化誤差。不過，我想明確的是，目前這些優勢很大程度上是基於經典數據推測出來的，而在經典的機器學習中，證據必須是基於經驗的。因此，在這兩篇論文中，我們試圖在實踐中增強對這個想法的測試能力，希望在不久的將來量子設備將允許我們探索這種可能性。
量子霸權是指量子計算機有能力解決經典計算機無法解決的問題的一種猜想。這是量子計算研究領域最熱門的課題之一，幾乎涉及所有主要公司，包括谷歌、IBM、微軟等公司。以谷歌爲例，谷歌的目標是通過構建一個50量子位的量子處理器以及使用模擬擲硬幣的方式來證明量子霸權。
英文原文：https://www.infoq.com/news/2019/01/exploring-quantum-neural-nets