作者：Anubhav Srivastava

翻译：Younger

审校：心

原文：thinkbigdata

量子机器学习之路仍然漫长

讨论量子机器学习算法，是个很复杂的话题，因为专家们对其意见不一。反对者认为机器学习主要是一种线性代数的问题，与量子计算几乎没有关联。支持者认为，量子计算的方式有助于训练那些对传统方式来说数量过大的数据集。麻省理工的Seth Lloyd对此引用了一个例子加以说明。他认为，分析一个300乘300个点的数据集的所有拓扑特征，需要第2到第300个能量处理单元，这是一个没能解决的计算问题。他认为，一台量子机器学习机器用300乘300的量子位就能够解决这一难题，他认为，在几年之内这个规模量能够达到。Lloyd的话意味着，原本需要指数级时间的算法，如果用量子方式，只需要多项式时间。如果真是这样，前途不可限量。

但这并不像很多人想的那样直接简单。对初学者来说，机器学习进展方面最大的障碍就是，数据有限，量子计算或其他的计算方式都不能解决这一问题。有提倡者甚至也同意，量子机器学习的应用性有限。好的一面是，有证据表明机器学习的很多难题能够映射成二次无约束二次优化问题，即一个NP-难问题。现在的很多情况中，事情都有投机性。

尽管量子机器学习在基本的方面成功，但也不能极大地改变机器学习的现状。将来不会有通用量子机器学习工具。充其量，能够通过最优解之间的隧道效应，在多项式的时间里解决困难的优化问题。然而对于一些无知无畏的人来说，他们认为量子计算机能够利用隧道达到全局最小值，超越最优解问题中的局部最小值问题。这种形式的算法的尝试包括，D波量子退火，量子贝叶斯网和量子玻尔兹曼机。

并且，虽然Grover算法，Shor算法取得了一些成功，但量子纠缠的扩展性仍然只是一个假设。我们可能会看到，一些厂商会基于某些成果，为机器学习研究人员开发实现库，以此减少后者对深入理解量子计算技能的需要。因此，应该意识到，意图将人类的认知能力，机器学习和量子逻辑连接起来的新闻浪漫主义，似乎还遥不可及。而且，小范围来讲，量子计算与传统方式相比而言，几乎没有查询复杂度（oracle）的优势。某种程度上，用量子方式非常依赖于经典方式和量子方式之间的查询间隙的数量级。然而，最近有一篇论文讨论了不需oracle的量子计算机机器学习。

另一个有趣的进展是，量子深度学习的子领域即将到来。这个领域基于以下这个假设，即复杂的机器学习任务需要机器能够学习包含几层的原始输入数据抽象的模型。图像像素的视觉识别就是这种学习任务之一。谷歌对该领域也表现出了兴趣，并且启动了量子人工智能实验室（Quantum Artificial Intelligence ）。明确的说，谷歌主要关注非绝热的最小值搜索在提升机器学习算法方面的作用（D-Wave的量子系统，D-Wave quantum systems）。我们也有从 Microsoft Research 何 Yale 大学（Quantum Neurons）等的相关出版作品。

不管当下趋势如何，有一件事毫无疑问。机器学习和量子计算都属于仍有很多演变空间的领域，而且，我们在未来肯定会迎来一些非常有趣的时期。