谷歌AI量子小组最近发表了两篇论文，致力于探索量子计算机和机器学习之间的关系。InfoQ借此机会与谷歌的资深研究科学家Jarrod McClean进行了交谈，以更好地理解这些结果的重要性。
量子计算的一个重要研究领域是量子计算机在量子神经网络训练中的应用。谷歌AI量子小组最近发表了两篇论文，致力于探索量子计算机和机器学习之间的关系。
在第一篇论文“基于近距离处理器的量子神经网络分类”中，谷歌研究人员提出了一种神经网络模型，与当前量子处理器的局限性相匹配，特别是高水平的量子噪声和纠错的关键作用。
第二篇论文“量子神经网络训练领域的贫瘠高原”探讨了量子几何的一些特性，这些特性似乎可以防止出现存在于经典神经网络中的一个主要问题，即梯度消失或爆炸。
InfoQ借此机会与谷歌资深研究科学家Jarrod McClean进行了交谈，以便更好地理解这些结果的重要性。
InfoQ：你能详细谈谈谷歌AI Quantum团队最近发表的两篇论文中提到的结果的重要性吗?
Jarrod McClean：这两篇论文主要关注量子神经网络的两种截然不同的结果。第一种是利用量子神经网络攻击传统分类任务的一种通用方法。我们认为这可能是一个重要的框架，用来探索如何将量子设备应用于传统的机器学习任务和问题。当我们只能推测量子计算的优点时，根据经验评估其性能就变得很重要，而这为我们提供了这样的一个框架。
第二种结果是关于量子神经网络训练中一个基本而有趣的现象的存在。它反映了这样的一个事实：量子电路中充分的随机化几乎就像一个黑洞一样，导致信息很难被提取出来。然而，我们可以通过巧妙的策略来避免这些陷阱，而这项工作的重要性在于它展示了预期这些陷阱什么时候会出现以及应该如何检测它们。我们相信这些知识对于设计有效的量子计算机训练策略来说是至关重要的。
InfoQ：你能就谷歌AI量子团队目前的研究方向提供一些见解吗？你的下一个目标是什么？
McClean：这个小组的一个主要目标是基于我们的量子芯片执行一个超越经典的任务，也被称为“量子霸权”。同时，我们对开发在噪声中等规模量子(NISQ)设备上运行的近距离应用程序也很感兴趣。开发这样的算法和应用程序仍然是我们的一个关键目标，我们感兴趣的三个主要应用领域是物理系统的量子模拟、组合优化和量子机器学习。
InfoQ：机器量子学习的前景是什么?
McClean: 从传统来看，量子机器学习至少有两个潜在的优势。首先是加快或改进现有经典网络的训练。我们并没有在最近的工作中从这个角度去探讨问题。
其次是量子网络可以比经典网络更简洁地表示有趣的概率分布。这种想法是建立在这样的知识基础之上——我们知道有些量子概率分布难以从经典任务中取样。
如果分布之间的这种区别被证明是正确的（即使是对于经典的数据），那么这可能意味着可以训练出更准确的机器学习分类器，可以在训练时降低成本或获得更好的泛化误差。不过，我想明确的是，目前这些优势很大程度上是基于经典数据推测出来的，而在经典的机器学习中，证据必须是基于经验的。因此，在这两篇论文中，我们试图在实践中增强对这个想法的测试能力，希望在不久的将来量子设备将允许我们探索这种可能性。
量子霸权是指量子计算机有能力解决经典计算机无法解决的问题的一种猜想。这是量子计算研究领域最热门的课题之一，几乎涉及所有主要公司，包括谷歌、IBM、微软等公司。以谷歌为例，谷歌的目标是通过构建一个50量子位的量子处理器以及使用模拟掷硬币的方式来证明量子霸权。
英文原文：https://www.infoq.com/news/2019/01/exploring-quantum-neural-nets