量子AI：下一代计算机技术

量子AI：下一代计算机技术|人工智能|计算机|量子|AI|技术|算法|-健康界

当你看到量子人工智能（Quantum AI）这个词时，你会想到什么？是物理、人工智能，还是你在电影里听到的科幻名词？

事实上，量子人工智能是指两件事。“量子” 一词指的是一种相当新的计算系统，即 “量子计算”，目前人们还有很多工作要做，对其最终能力知之甚少，它仍处在第一代，只有一小部分这样的计算机在使用中；而 “人工智能” 则是当下的高频科技术语，也是两者之中更能被理解的。

那么，量子人工智能到底是什么？量子人工智能其实是量子计算机在人工智能领域的应用。
你可能想知道它为什么如此重要。要理解这一 “组合” 的含义，你必须了解量子计算机和人工智能本身的基础知识。首先，让我们先看看什么是 “量子计算机”，以及是什么使它们优于我们目前日常使用的经典计算机。
量子计算机

什么是量子计算机？它与我们今天使用的经典计算机有何不同？
首先，你需要了解经典计算机，然后了解它与量子计算机的差异，以及该差异如何适用于某些计算任务。经典计算机是我们今天使用的计算机，包括现在的智能手机也都是经典计算机。
那么，是什么使经典计算机成为 “经典”？答案很简单，只有 1 和 0，即今天的计算机使用二进制系统。二进制系统是计算机处理用户数据和指令的方式。当计算机 CPU 读取这些 1 和 0 的序列时，计算机会将特定的组合解释为命令或字母和数字。CPU 使用此信息来处理命令或指令并产生所需的结果，无论是向朋友发送电子邮件，还是在Facebook 上更新你的近况，所有这些都是使用当今经典计算机中的二进制系统处理的。
二进制也被称为 base-2 系统。base-2 系统是一个数字系统，它使用两个数字（在本例中是 1 和 0）来表示数字。在更复杂的系统中，如果需要更大的数字，则可以具有多个二进制数字。但是，在这些计算中，系统仍然只使用 1 和 0。 这是经典计算机的基本原理和局限性。

量子计算机中引入了 base-3 系统。经典计算机将 1 和 0 用于计算，量子计算机也使用这些。但是，在量子计算机中，不仅可以选择 1 或 0 位，还可以选择同时为 1 和 0，从而产生第三种状态。
需要理解的概念是，量子计算机的处理能力比经典计算机有了极大的提高。例如，与经典计算机一次只能运行一个条件运算不同，量子计算机可以同时运行多个条件运算。
已经有一些证据证明量子计算是下一代的计算方法。这些证明大多是围绕着影响加密和安全性的高计算性算法。除此之外的一个证明是 Bernstein-Vazirani 算法，该算法用于查找锁在数字盒子中的密码。
人工智能

什么是人工智能？似乎许多人想到的都是《终结者》的著名台词 “I’ll be Back”。人们一想到机器未来会自己思考，甚至在智力上超越了人类，就会觉得人工智能现在还不完全存在。事实是人工智能自 1951 年以来就存在了。
“人工智能” 是一个非常笼统的术语，实际上包含围绕中心主题的几种不同类型或分类。一些专家将其分为三类：
1.Artificial Narrow Intelligence (ANI)
2. Artificial General Intelligence (AGI)
3. Artificial Super-intelligence (ASI)
以上的每一个都包含一种或多种不同类型的人工智能。实际上，有 4 种不同类型的 AI 被广泛接受。包括：
1. 反应型（Reactive）
2. 受限记忆（Limited Memory）
3. 心理理论（Theory of Mind）
4. 自我意识（Self Aware）

反应型 AI 是不保存任何内存的 AI。它无法使用数据并基于数据变量进行决策。这也是为什么将这种类型称为 Reactive，因为它仅限于对输入作出反应，而其输出仅限于这些变量的边界。这种类型的一个典型例子是 IBM 的深蓝国际象棋超级计算机。
第二种是受限记忆 AI。在这种类型的 AI 中，系统能够从先前学习的信息（例如存储的数据或事件）中获取和构建知识。这些先验事件被用来预测将要发生的事情。它还可以将其决策添加到过去的经验收集中。这类人工智能可以利用这些信息来分析它遇到的新事件，并根据这些数据做出明智的决策。
这一类型 AI 最好的应用案例就是自动驾驶汽车系统。自治系统对预编程知识的记忆有限。它将这些知识与可观察到的数据结合起来，根据道路规则决定如何驾驶。它能够根据所使用的数据及其知识的组合来检测驾驶模式并更改其功能。但是，这些系统不能从其所做的决策中汲取经验，因为它的功能变化很小，并且没有记录在内存中。
这就引出了 AI 的心智理论（Theory of Mind）。我们所说的能够独立思考的 AI 就是指的这种类型。在此理论中，系统能够根据输入和已知的知识数据库做出决策。除此之外，它还可以产生人类的情感，甚至在一定程度上表达出来。它也可以根据所采取的行动的结果汲取经验，从而随着时间的推移增加其知识储备。这种类型的人工智能也有能力根据自己的经验进化和适应环境的变化，从原始数据输入衍生出的原始编程中改变自己的行为。
这将是除了人类大脑之外最好的智能，只是它的完成速度可能比人脑从诞生到发育完成所花费的时间更快。一个简单明了的例子是汉森机器人公司（Hanson Robotics）的索菲亚人工智能机器人（SOPHIA AI）。另一个实例是奥克兰生物工程研究所动画技术实验室的 Baby X。这个团队创造了一个虚拟的动画婴儿，它通过观察环境进行学习，并通过一系列传感器和深层神经网络做出类似于人类儿童的反应。看上去这种类型 AI 的发展还前路漫漫，但并非遥不可及。
最终的 AI 类型是自我意识。通过名称你可能已经猜到了它的含义。在这种类型的 AI 中，系统完全能意识到自己的存在，并且能够像人类一样进行情感活动。尽管这种类型的实现现在看来还遥遥无期，但这是大多数电影中倾向的方向。一个经典的例子是《终结者》系列。
现在我们知道了不同类型的 AI 及其工作原理，这与 Quantum AI 又有什么关系呢？
量子人工智能

量子和 AI 会在哪里相遇？要回答这个问题，我们需要退后一步，了解当今 AI 的现状。
不管你是否知情，今天你所做的几乎每件事都有人工智能的痕迹。人工智能几乎可以应用于任何领域或行业，而你今天看到的人工智能最大的地方之一就是零售行业。
你有没有发现像 Amazon、Google、Netflix、Walmart 等大公司似乎总是知道你在找什么？当你登录到主页时，他们总是那么及时地推荐你需要的商品。你在 YouTube 上看到的那些广告看起来眼熟吗？大部分都是通过 AI 完成的。无需深入研究这些公司是如何跟踪和收集我们的信息，这些信息现在确实被用于机器学习。收集的数据通过算法运行以便 AI 学习和提取数据中的模式。对于网店来说，这是一种 “投其所好”，你一直在看什么，你过去买了什么，推到出来，就能知道你今天想买什么。

但是，这并不是人工智能的唯一用途。在医学领域，我们也可以看到许多可用方面。举个例子，进行医学诊断；医生会问你一些问题，安排实验室检查，然后等待结果来确认病情。他们可能会查阅相关专业书籍，或将你的病例送到专家那里，最终提出治疗方案。这种方法的主要问题是，耗时太久，可能需要几个星期甚至更长。有时，每一分钟都是提供正确治疗和挽救生命的关键。那么人工智能如何在这方面提供帮助呢？
可以用数百万个医疗案例进行 AI 训练，并确定哪种方法最适合哪些人。借助 AI，我们可以获取所有人的人口统计信息，症状，实验室测试结果，并借助机器学习或深度神经网络方法处理所有信息，这样不仅可以很快得出诊断结果，还可以制定治疗方案。在未来，有人预测，我们将会出现医护人员减少的情况，这时人工智能可能将挽救许多生命。
人工智能可以分解为几种方法：

• 机器学习（Machine Learning）
• 自然语言处理（Natural Language Processing）
• 专家系统（Expert systems)
• 视觉（Vision）
• 言语（Speech）
• 规划（Planning）
  
• 机器人技术（Robotics)

每一种方法都在日常生活中使用，也有各自的优势和局限性。量子计算为 AI 方法增加了极端计算能力的可能性，并且可能性几乎是无穷无尽的。
随着未来的发展，我们将看到更多的人工智能由量子计算机驱动，新的更强大的算法正在开发中。未来即将到来，人工智能和量子计算将成为其中必不可少的部分。关键是，我们是否已经准备好迎接 “机器超越人类局限拥有自我意识” 那一天的到来？
编译：吴玲竹
原文链接：
https://jmallard-98602.medium.com/quantum-ai-the-next-generation-9c05bdc74c06

本文由作者自行上传，并且作者对本文图文涉及知识产权负全部责任。如有侵权请及时联系（邮箱：nanxingjun@hmkx.cn）
关键词: 人工智能计算机量子AI技术算法

量子机器学习-人工智能的未来

来源：深度学习于NLP
深度学习于NLP：量子机器学习-人工智能的未来

人工智能和机器学习
当你听到人工智能这个词时，你会想到什么？不久前，这个短语被保留用于谈论想象中遥远的未来，在那里人类有机器人仆人和自动驾驶汽车。听起来熟悉吗？这是我们今天生活的世界。我们有像Siri这样的个人助理来回答我们的任何问题，特斯拉可以在我们睡觉的时候把我们从A点带到B点，Snapchat上有无穷无尽的过滤器可以立即改变我们的外表。人工智能时代已经到来。
机器学习是人工智能的一个子集，它利用算法来教计算机像人类一样做出决策。一种特别的模拟人脑的最大似然算法是人工神经网络。这些神经网络通过获取信息，通过一系列人工处理来模拟我们大脑的工作方式神经元，并产生输出(图1)。神经网络为当今大量最突出的人工智能技术提供了动力。

图1 模拟一系列相连的神经元的人工神经网络

量子计算导论
量子计算是另一项有潜力将人工智能带入下一个层次的创新。量子计算机利用量子力学的特性来处理信息。传统的计算机将信息编码成比特，比特值可以是0或1。相反，量子计算机用量子比特编码信息。就像一个比特，一个量子比特可以取0或1的值。然而，量子位能够同时呈现多种状态，这叫做叠加。因此，两个量子位可以呈现四种可能状态中的任何一种：01、11、10或00。一般来说，n量子位可以代表2^n不同的状态。这种(非常简化的)叠加概念使得量子计算机比传统计算机强大得多。它们可以用更少的计算能力代表更多的信息。

量子机器学习
神经网络的一个主要不足是训练时间比较长。甚至花上几周的时间也并不少见，由于缺乏计算能力，甚至几个月来训练神经网络。如果有一种方法可以利用量子计算的力量来加速训练过程，让这些复杂的网络变得可行呢？进入量子机器学习。
量子数学模型听起来完全一样—数学模型和量子计算的交集。量子机器学习的目标是利用量子计算机的力量，以比传统计算机快得多的速度处理信息。然而，这并不像将现有代码从中央处理器转移到量子处理器那么简单。代码首先需要能够描述量子比特的量子语言。今天关于量子力学的大部分工作都试图解决这个确切的问题。

量子神经网络(QNNs)
方法
功能性神经网络是人工智能向前迈出的一大步。然而，现有的神经网络还不能利用量子计算机的力量。创建一个工作的QNN的第一步是模拟一个单独的量子神经元。
让我们检查量子神经元的表现方式，以及量子神经网络与传统神经网络的比较。因为对量子力学有不同的解释，所以有不同的方法来表示量子神经元。一个这样的解释是Huge Evertt Many-world Interpretation。简而言之，这个理论声明有许多平行的宇宙，每一个都同时展现了每一个可能的历史和未来。
这听起来非常复杂和抽象，因为确实如此。多宇宙为QNN的行为提供了洞察力。就像传统的神经网络如何模拟人脑一样，QNN可以模拟量子物理。宾夕法尼亚州立大学的研究人员利用这种解释开发了一种构建量子神经网络的方法。
传统的神经网络使用单个网络来存储许多模式。如果量子神经网络使用many网络来存储many模式，就像可能有许多包含许多现实的宇宙一样，会怎么样？态叠加原理可以让这成为可能。记住，叠加意味着一个量子位有可能同时处于多种状态。理论上，将这个类比推广到神经网络，QNN将能够一次叠加存储所有可能的模式。因此，网络中的每一种模式都代表了它自己的平行宇宙。
这是量子神经网络的众多理论框架之一。如果你对这个理论的细微细节感兴趣，请查阅全文。代表多个平行宇宙的QNN的实际实现尚不可行。然而，可以模拟单个量子神经元。

实现
根据麻省理工技术评论的说法，意大利帕维亚大学的一个研究小组在2018年在量子计算机上实现了世界上第一个单层神经网络(图2)。

图2: 人工神经元的经典模型(一)和在量子处理器上量子实现人工神经元的方案(二)

在具有单个神经元(a)的经典神经网络中，输出是通过激活函数将其映射到二进制输出的输入向量的加权和。在抽象层次上，QNN的功能是相同的，但是在量子处理器上的实现是不同的。量子网络的第一层将输入向量编码成量子态。然后，第二层对输入进行酉变换，类似于经典神经网络中权重向量的功能。你可以把酉变换想象成计算机把比特转换成量子比特。最后，输出被写入Ancilla量子位，产生最终输出。
量子处理器上酉变换的实现是复杂的(图2)。在高层次上，输入通过一系列门，这些门是量子电路的一部分。这些门表示为Z、H N和X N，模拟传统神经网络中的权重向量。

图3 . 一个4比特人工神经元的量子电路

这个模型能够精确模拟单个神经元的行为。然而，它还没有扩展到由多层多个神经元组成的深度神经网络。像这样的单层模型能够识别简单的模式，但是还不能扩展。这是在量子硬件上有效训练量子神经网络的第一步，也是实现神经网络多宇宙的第一步。

QNNs的优势
QNNs似乎极其复杂，难以理解。但是他们被探索是有充分理由的。根据宾夕法尼亚州立大学的研究团队，量子神经网络与传统神经网络相比具有许多优势，包括:
指数存储容量
隐藏神经元数量越少，性能越高
更快的学习速度
处理速度(1010 bits/秒)
小规模(1011个神经元/mm3)
更高的稳定性和可靠性
这些优势解决了传统神经网络的大部分(如果不是全部的话)局限性。这也意味着有一个非常高的动机去成为量子力学领域的先行者，去利用这些优势。目前，正在作出许多努力来实施一个全面运作的QNN。
当前和未来的工作
谷歌的量子人工智能团队是量子移动通信的先驱之一。该团队构建了一个可以在量子计算机上训练的深度神经网络理论模型。虽然他们缺乏当前的硬件来实际实现模型，但他们的结果令人鼓舞。一旦硬件可用，他们创建的框架将允许快速采用量子机器学习。
此外，谷歌人工智能团队研究了神经网络训练如何在量子处理器上工作。传统的网络训练方法是在训练前随机初始化权重。然而，他们发现这种方法在转移到量子空间时并不奏效。因此，在训练量子模型时，会出现梯度消失等问题。通过他们的研究，谷歌人工智能团队正在为量子移动通信的未来奠定基础。

量子问题
专注于让传统神经网络以量子速度训练是一个自然的起点，无疑也是非常重要的工作。但是量子计算的魅力在于解决量子问题的能力。这些类型的问题太复杂了，传统计算机无法有效建模，更不用说人类大脑无法理解了。那么量子力学能做什么我们目前不能做的呢？
这个问题的答案并不像人们希望的那样令人满意。考虑到量子力学的前沿只是最近才被探索，现在预测任何重大的量子问题还为时过早，有待解决。一个很酷的探索领域是利用QNN发现新的乐器。简而言之，这种神经网络可以产生演奏全新声音的乐器。例如，这里有一段他们的量子乐器演奏披头士臭名昭著的“Hey Jude”的片段.
QNN的另一个令人兴奋的应用是模拟黑洞和人脑。这两者有一个共同的特点，那就是它们惊人的内存存储容量。理论上，量子计算机相对于传统计算机的额外容量可能能够捕捉到这一特征。创建的QNN能够存储和检索大量的模式。虽然很难得出任何具体的结论，但这些结果鼓励了量子物理学中的一个未来应用建议。
此时，QNNs更多的是处于胎儿期而不是青春期。谷歌人工智能和其他人正在进行的研究有助于为量子移动通信领域的未来工作奠定基础。量子神经网络的未来应用是不确定的，可能对大多数人来说太抽象而难以理解。但是可以肯定的是，无处不在的量子机器学习就在地平线上，人们很容易对它的实现感到兴奋。

带你了解下一代计算机技术：量子AI到底是什么

原文链接：https://www.xianjichina.com/news/details_253877.html

来源：贤集网

生活中你听说过量子人工智能吗？当你看到量子人工智能（Quantum AI）这个词时，你会想到什么？是物理、人工智能，还是你在电影里听到的科幻名词？

事实上，量子人工智能是指两件事。“量子”一词指的是一种相当新的计算系统，即“量子计算”，目前人们还有很多工作要做，对其最终能力知之甚少，它仍处在第一代，只有一小部分这样的计算机在使用中；而“人工智能”则是当下的高频科技术语，也是两者之中更能被理解的。

那么，量子人工智能到底是什么？量子人工智能其实是量子计算机在人工智能领域的应用。

你可能想知道它为什么如此重要。要理解这一“组合”的含义，你必须了解量子计算机和人工智能本身的基础知识。首先，让我们先看看什么是“量子计算机”，以及是什么使它们优于我们目前日常使用的经典计算机。

量子计算机

什么是量子计算机？它与我们今天使用的经典计算机有何不同？

首先，你需要了解经典计算机，然后了解它与量子计算机的差异，以及该差异如何适用于某些计算任务。经典计算机是我们今天使用的计算机，包括现在的智能手机也都是经典计算机。

那么，是什么使经典计算机成为“经典”？答案很简单，只有1和0，即今天的计算机使用二进制系统。二进制系统是计算机处理用户数据和指令的方式。当计算机CPU读取这些1和0的序列时，计算机会将特定的组合解释为命令或字母和数字。CPU使用此信息来处理命令或指令并产生所需的结果，无论是向朋友发送电子邮件，还是在Facebook上更新你的近况，所有这些都是使用当今经典计算机中的二进制系统处理的。

二进制也被称为base-2系统。base-2系统是一个数字系统，它使用两个数字（在本例中是1和0）来表示数字。在更复杂的系统中，如果需要更大的数字，则可以具有多个二进制数字。但是，在这些计算中，系统仍然只使用1和0。这是经典计算机的基本原理和局限性。

量子计算机中引入了base-3系统。经典计算机将1和0用于计算，量子计算机也使用这些。但是，在量子计算机中，不仅可以选择1或0位，还可以选择同时为1和0，从而产生第三种状态。

需要理解的概念是，量子计算机的处理能力比经典计算机有了极大的提高。例如，与经典计算机一次只能运行一个条件运算不同，量子计算机可以同时运行多个条件运算。

已经有一些证据证明量子计算是下一代的计算方法。这些证明大多是围绕着影响加密和安全性的高计算性算法。除此之外的一个证明是Bernstein-Vazirani算法，该算法用于查找锁在数字盒子中的密码。

人工智能

什么是人工智能？似乎许多人想到的都是《终结者》的著名台词“I’ll be Back”。人们一想到机器未来会自己思考，甚至在智力上超越了人类，就会觉得人工智能现在还不完全存在。事实是人工智能自1951年以来就存在了。

“人工智能”是一个非常笼统的术语，实际上包含围绕中心主题的几种不同类型或分类。一些专家将其分为三类：

1.Artificial Narrow Intelligence(ANI)

2.Artificial General Intelligence(AGI)

3.Artificial Super-intelligence(ASI)

以上的每一个都包含一种或多种不同类型的人工智能。实际上，有4种不同类型的AI被广泛接受。包括：

1.反应型（Reactive）

2.受限记忆（Limited Memory）

3.心理理论（Theory of Mind）

4.自我意识（Self Aware）

反应型AI是不保存任何内存的AI。它无法使用数据并基于数据变量进行决策。这也是为什么将这种类型称为Reactive，因为它仅限于对输入作出反应，而其输出仅限于这些变量的边界。这种类型的一个典型例子是IBM的深蓝国际象棋超级计算机。

第二种是受限记忆AI。在这种类型的AI中，系统能够从先前学习的信息（例如存储的数据或事件）中获取和构建知识。这些先验事件被用来预测将要发生的事情。它还可以将其决策添加到过去的经验收集中。这类人工智能可以利用这些信息来分析它遇到的新事件，并根据这些数据做出明智的决策。

这一类型AI最好的应用案例就是自动驾驶汽车系统。自治系统对预编程知识的记忆有限。它将这些知识与可观察到的数据结合起来，根据道路规则决定如何驾驶。它能够根据所使用的数据及其知识的组合来检测驾驶模式并更改其功能。但是，这些系统不能从其所做的决策中汲取经验，因为它的功能变化很小，并且没有记录在内存中。

这就引出了AI的心智理论（Theory of Mind）。我们所说的能够独立思考的AI就是指的这种类型。在此理论中，系统能够根据输入和已知的知识数据库做出决策。除此之外，它还可以产生人类的情感，甚至在一定程度上表达出来。它也可以根据所采取的行动的结果汲取经验，从而随着时间的推移增加其知识储备。这种类型的人工智能也有能力根据自己的经验进化和适应环境的变化，从原始数据输入衍生出的原始编程中改变自己的行为。

这将是除了人类大脑之外最好的智能，只是它的完成速度可能比人脑从诞生到发育完成所花费的时间更快。一个简单明了的例子是汉森机器人公司（Hanson Robotics）的索菲亚人工智能机器人（SOPHIA AI）。另一个实例是奥克兰生物工程研究所动画技术实验室的Baby X。这个团队创造了一个虚拟的动画婴儿，它通过观察环境进行学习，并通过一系列传感器和深层神经网络做出类似于人类儿童的反应。看上去这种类型AI的发展还前路漫漫，但并非遥不可及。

最终的AI类型是自我意识。通过名称你可能已经猜到了它的含义。在这种类型的AI中，系统完全能意识到自己的存在，并且能够像人类一样进行情感活动。尽管这种类型的实现现在看来还遥遥无期，但这是大多数电影中倾向的方向。一个经典的例子是《终结者》系列。

现在我们知道了不同类型的AI及其工作原理，这与Quantum AI又有什么关系呢？

量子人工智能

量子和AI会在哪里相遇？要回答这个问题，我们需要退后一步，了解当今AI的现状。

不管你是否知情，今天你所做的几乎每件事都有人工智能的痕迹。人工智能几乎可以应用于任何领域或行业，而你今天看到的人工智能最大的地方之一就是零售行业。

你有没有发现像Amazon、Google、Netflix、Walmart等大公司似乎总是知道你在找什么？当你登录到主页时，他们总是那么及时地推荐你需要的商品。你在YouTube上看到的那些广告看起来眼熟吗？大部分都是通过AI完成的。无需深入研究这些公司是如何跟踪和收集我们的信息，这些信息现在确实被用于机器学习。收集的数据通过算法运行以便AI学习和提取数据中的模式。对于网店来说，这是一种“投其所好”，你一直在看什么，你过去买了什么，推到出来，就能知道你今天想买什么。

但是，这并不是人工智能的唯一用途。在医学领域，我们也可以看到许多可用方面。举个例子，进行医学诊断；医生会问你一些问题，安排实验室检查，然后等待结果来确认病情。他们可能会查阅相关专业书籍，或将你的病例送到专家那里，最终提出治疗方案。这种方法的主要问题是，耗时太久，可能需要几个星期甚至更长。有时，每一分钟都是提供正确治疗和挽救生命的关键。那么人工智能如何在这方面提供帮助呢？

可以用数百万个医疗案例进行AI训练，并确定哪种方法最适合哪些人。借助AI，我们可以获取所有人的人口统计信息，症状，实验室测试结果，并借助机器学习或深度神经网络方法处理所有信息，这样不仅可以很快得出诊断结果，还可以制定治疗方案。在未来，有人预测，我们将会出现医护人员减少的情况，这时人工智能可能将挽救许多生命。

人工智能可以分解为几种方法：

机器学习（Machine Learning）

自然语言处理（Natural Language Processing）

专家系统（Expert systems)

视觉（Vision）

言语（Speech）

规划（Planning）

机器人技术（Robotics)

每一种方法都在日常生活中使用，也有各自的优势和局限性。量子计算为AI方法增加了极端计算能力的可能性，并且可能性几乎是无穷无尽的。

随着未来的发展，我们将看到更多的人工智能由量子计算机驱动，新的更强大的算法正在开发中。未来即将到来，人工智能和量子计算将成为其中必不可少的部分。关键是，我们是否已经准备好迎接“机器超越人类局限拥有自我意识”那一天的到来？

量子人工智能：量子力学与人工智能共行

量子认知
学者 代表作: 戒瘾论,科学达人,优质创作者

量子物理也许是当代物理科学中最吸引人的话题。量子理论的重要应用包括量子化学、量子光学、量子计算、超导磁体、发光二极管、激光器、晶体管和半导体如微处理器等。它研究自然界中的粒子如何“相遇”并带来其有趣的特性，例如电导率或磁性。但是，即使是最有经验的研究人员，对这些不可预测的现象的了解也远远不够。这是这些现象所包含的粒子数量巨大（每克超过10亿）的直接结果，并且它们之间存在着巨大的相互作用。

在快节奏、令人困惑的量子科学领域，人工智能被用来协助科学家们确定重要的物质特性并预测实验结果。然而，为了准确地做到这一点，这些人工智能需要对量子力学的关键知识与标准有一个真正的扎实的理解。同时对研究人员来讲，既需要明了量子科学领域，又需要明了与之相应的人工智能机器学习算法的响应，才有可能不会迷失掉其量子预测结果。

人工智能和机器学习算法通常用于预测我们的购买行为并感知我们的面孔或笔迹。在科学研究中，人工智能正在逐渐成为科学家研究的基本工具。在科学上，人工智能在预测量子系统的实验或模拟结果方面正在发挥作用。人工智能可以通过弄清楚如何理解量子力学的主要方程来实现这一点。

以常规方式建立这些方程式需要大量的高性能计算资源以及相当长的计算时间，这通常是用于医学和工业应用的新目的分子的设计计算的瓶颈。但是，最新创建的人工智能算法可以在笔记本电脑或手机上在几秒钟内提供精确的预测。
来自卢森堡大学、沃里克大学和柏林工业大学的化学家、物理学家和计算机科学家组成的跨学科研究团队，最近建立了一种深度机器学习模型，可以预见分子的量子条件、假定的波函数，从而决定所有分子的性质。

华威大学化学系的莱因哈德·毛勒（Reinhard Maurer）博士说，这是一项多年的共同努力，需要计算机科学专业知识来构建足够灵活的人工智能算法，以捕捉波的形状和传导。此外，还需要具有科学和物理学方面的知识，可以处理对算法敏感的结构中的量子化学信息并与之沟通对话。

一般来讲，量子力学考虑了同时存在和不存在的状态，利用自由度可以帮助研究人员更好地理解如何精确、方便地描绘框架。在没有代表这些自由度的情况下，过去的人工智能在越来越经典的标量、向量和张量场中描述了这些量子化学实验，这需要相当多的计算时间和精力。
研究作者认为，这种名为SchNOrb的深度学习系统，使他们能够以“接近'化学准确性'”的方式预测分子轨道，从而对分子的电子结构及其反应动力学予以“丰富的化学解释”。该算法展现的能力将帮助科学专家更充分地设计用于医学和工业用途的“专用分子”。

这项跨学科的工作是一项重大进步，因为它表明，人工智能策略可以有效地发挥量子分子模拟中最困难的部分。在接下来的几年中，人工智能技术将逐渐成为计算化学和分子物理学中通过程序作科学发现的基础。像二十世纪的技术革命一样，通过人工智能提高对量子材料科学的更深层次的理解将可能会改变我们生活的方方面面，从计算、能源到交通。

量子人工智能（Quantum Artificial Intelligence，简称QAI）是量子力学与人工智能相结合的跨学科领域。量子人工智能分两种不同的途径与方法。当前主要是在当今人工智能水平上运用量子力学理论的深度学习系统，致力于构建量子算法以改善人工智能中的计算任务，包括诸如机器学习之类的子领域，如上述研究成果属于这种类型的量子人工智能。

另外一种途径与方法是建立在量子力学及其量子计算机基础上的人工智能算法。量子力学现象，叠加和纠缠使量子计算能够执行比计算机视觉、自然语言处理和机器人技术中使用的经典人工智能算法更有效的计算。这种量子增强型人工智能算法的整个概念还处于早期研究领域。在最近的理论建议的基础上，初步的实践研究表明，这些概念有可能在严格控制的条件下在实验室中作一些初步的实施。
参考：Priya Dialani，About Quantum AI – AI along with Quantum Mechanics. Analytics Insight. 2020

一文读懂量子计算如何用于AI

一文读懂量子计算如何用于AI
本源量子

毋庸置疑，量子计算这项技术仍处于发展的早期阶段，尽管这项创新技术很新颖，却仍有大量科技公司投入巨资。像IBM、谷歌和微软这样的公司已经初步采取了投资和研发量子计算的措施。

本源量子计算机内部结构。图片来源：本源量子
目前来看，量子计算比较有前景和“钱景”的领域之一是人工智能。由于人工智能是在分析大量数据集的基础上进行操作的，因此在学习过程中的误差和不准确度有很大的改进空间，而量子计算很可能让我们提高算法的学习和解释能力。
量子计算在人工智能领域，更具体地说，在机器学习领域，到底有什么帮助？事实上，现代机器学习的效率和成功程度很大程度上取决于它所获得的数据集。数据集的大小决定了结果的质量，所以如果信息不充足，输出的结果也不乐观。不过，由于量子计算能够超越传统的二进制编码体系，使得数据集的数量和多样性都有可能扩大和丰富。有了更好、更深入的数据集，就有可能更好地训练机器学习模型，从而有助于现实问题的解决。
本源量子已在量子人工智能领域进行了初步探索。今年9月，本源量子推出了量子人工智能应用——量子手写数字识别。该技术采用经典算法与量子算法混合，利用QPanda量子计算编程框架、VQNET量子机器学习框架实现QNN量子神经网络，为后续量子算法加速计算机视觉量子化处理提供了可能。虽然手写数字识别在经典计算机中并不新鲜，这件工作在现有的模式识别中也较为平凡，但却是小规模量子计算机具有一定实用价值的重要标志。该应用的实现标志了在经典计算机与量子计算机相互配合下能够解决某些具体问题。

量子手写数字识别。图片来源：本源量子
量子计算给人工智能带来的另一个提升是 "自然语言处理 "能力的提升，可以对文本数据进行更深入的理解和分析。通过量子计算，算法可以更加了解文本数据的内容。换句话说，机器将能够真正理解数据背后的含义，能够分析整个句子和短语，而不仅仅是单词。
今年初，剑桥量子计算公司（CQC）宣布，他们首次在量子计算机上执行自然语言处理测试并获得成功。他们使用自然语言的“天然量子”结构，将语法句子翻译成量子电路，然后在量子计算机上实现生成的程序，执行问答。通过在不依赖量子随机存取器的情况下获得结果，CQC科学家们发现了在含噪声中等规模量子计算（NISQ）时代获得量子优势的途径。

图片来源：CQC官网
量子计算的加速优势应用场景广阔，而且在不久的将来很有可能实现。医疗领域也是量子计算最有希望的突破点。传统计算机所能容纳和分析的数据量有限，而量子计算的介入扩大了可供研究和比较的各种分子的规模和种类。分子模拟和比较的过程是任何药物开发计划的核心，量子计算将拓展医学研究的边界，允许更全面和多样化的模拟，从而测试药物和人体分子之间的相互作用。除了研究之外，量子计算还可以提高模式识别的能力，创建扩大的数据集，提高核磁共振图像的准确性，从而使医疗专业人员能够更快地诊断和治疗疾病。

图片来源：FORBES官网
与医疗保健领域的诊断类似，量子计算还将在金融行业释放新的能力。具体来说，欺诈检测技术主要依靠模式识别。量子计算机可以帮助在早期发现欺诈行为，并基于强大的计算功率与容量而显著提高分析速度。

本源量子与建信金科合作成立量子金融实验室，携手探索量子计算在金融领域的实际应用。图片来源：建信金科
除了医疗和金融，量子计算还将重新定义目前的营销实践。凭借扩大的消费者数据集和分析能力，品牌和公司将能够推出全新的定制化服务，以满足用户的需求。量子计算将使其在更精确的层面上定位客户，开发出能够准确满足并预测客户需求和偏好的营销活动。
通过增强人工智能基于数据集的分析和学习能力，量子计算将消除数据质量和分析准确性的主要顾虑，这些顾虑仍然是机器学习算法在各种场景下应用过程中的障碍。尽管量子计算如今还需要更多的时间来寻找与各行业的全面融合和应用，但无论如何，它带来的变革将是颠覆性的。
参考资料：
[1]How Can AI And Quantum Computers Work Together?
https://www.forbes.com/sites/forbesbusinessdevelopmentcouncil/2020/10/27/how-can-ai-and-quantum-computers-work-together/#46873fd06ad1
[2]Visa, JPMorgan Are Already Preparing for Potential Quantum Cyberattacks
https://www.wsj.com/articles/visa-jpmorgan-are-already-preparing-for-potential-quantum-cyberattacks-11602255213
[3]Protecting quantum entanglement from leakage and qubit errors via repetitive parity measurements,Science Advances(2020).
https://advances.sciencemag.org/content/6/12/eaay3050.full