Quantum for AI 通過量子計(jì)算賦能人工智能
來源：百度技術(shù)沙龍第103期：百度量子軟硬一體化”第一期報(bào)告 作者：王鑫博士
在介紹量子人工智能之前，讓我們首先簡單地解釋一下，為什么我們需要量子計(jì)算？量子計(jì)算本質(zhì)上是一種全新的計(jì)算范式，在計(jì)算能力方面相對于經(jīng)典計(jì)算帶來的不是10倍的提升，而是指數(shù)次倍數(shù)的提升。值得一提的是，量子計(jì)算不會取代經(jīng)典計(jì)算，而是與其形成互補(bǔ)，在許多關(guān)鍵領(lǐng)域提供計(jì)算性能顯著提升的解決方案，甚至能夠解決原先沒有辦法解決的問題。
作為一種新的計(jì)算范式，量子計(jì)算和經(jīng)典計(jì)算到底有什么區(qū)別呢？從計(jì)算的基本單位來理解，在經(jīng)典計(jì)算中通常使用的是經(jīng)典比特，是一種確定性的比特，只能處于0或1的狀態(tài)。量子計(jì)算的基本單位是量子比特，與經(jīng)典比特不同的是，量子比特可以處于0和1的疊加狀態(tài)。更具體地說，量子計(jì)算利用了許多量子力學(xué)中的性質(zhì)，比如量子相干、量子糾纏等，正是這些量子特性為量子計(jì)算機(jī)提供了更加強(qiáng)大的信息處理能力。
以日常生活中常見的條形碼為例，假如我們想?yún)^(qū)分或者分辨條形碼，經(jīng)典方法可以對一個(gè)位置 x 運(yùn)行一次算法去查詢條形碼在 x 位置上是黑色還是白色。通常情況下，經(jīng)典算法需要很多次查詢才可以給出確定性的結(jié)果來分辨兩個(gè)條形碼是否相同。而量子算法則是通過量子疊加的特性，可以同時(shí)查詢多個(gè)位置的疊加狀態(tài)，然后提取對應(yīng)的信息，其優(yōu)勢就是只需要一次查詢就可以獲取全局的信息來完成分辨。這是量子計(jì)算處理問題的一個(gè)簡單例子，也是很多著名量子算法的出發(fā)點(diǎn)。
基于量子計(jì)算的這些性質(zhì)和優(yōu)勢，量子計(jì)算目前有著廣泛的應(yīng)用場景。比如在信息與密碼安全方面，可以通過已知量子算法去破解一些密鑰，當(dāng)然也會有后量子密碼去確保這些信息的安全性。另一方面，可以將量子計(jì)算應(yīng)用于人工智能方向，比如提供更好更快的推薦算法，解決組合優(yōu)化問題等等。除此之外，還可以通過量子模擬加速材料研發(fā)，更便捷高效地研發(fā)鋰電池，通過量子計(jì)算賦能金融科技與生物制藥等領(lǐng)域。
本篇文章內(nèi)容主要聚焦在量子人工智能方面。這里更關(guān)注的是量子機(jī)器學(xué)習(xí)，從下圖我們可以看到量子機(jī)器學(xué)習(xí)是機(jī)器學(xué)習(xí)與量子信息處理的交叉學(xué)科，量子技術(shù)對機(jī)器學(xué)習(xí)有多項(xiàng)式甚至指數(shù)級加速，而機(jī)器學(xué)習(xí)應(yīng)用于量子計(jì)算研究也取得了很多重要進(jìn)展?？梢灶A(yù)期的是，量子機(jī)器學(xué)習(xí)可以幫助我們開發(fā)更多具有量子優(yōu)勢的人工智能算法，通過機(jī)器學(xué)習(xí)的工具也可以在工業(yè)層面以及實(shí)踐層面為量子計(jì)算提供更多支持。
Quantum for AI 通過量子計(jì)算賦能人工智能
我們先整體概覽一下人工智能的整體架構(gòu)。最上層是人工智能業(yè)務(wù)，比如計(jì)算機(jī)視覺、自然語言處理、語音識別等，針對這些業(yè)務(wù)會有很多具體的任務(wù)，比如圖像分類、目標(biāo)檢測等等。針對這些任務(wù)，再往下一層，我們就需要具體的算法，比如神經(jīng)網(wǎng)絡(luò)、推薦算法、生成對抗網(wǎng)絡(luò)等去解決這些任務(wù)。最后則是在框架平臺及底層硬件上執(zhí)行這些算法。量子人工智能是量子計(jì)算在算法、框架、硬件三個(gè)層面進(jìn)行 AI 基礎(chǔ)能力的創(chuàng)新突破，在準(zhǔn)確率提升的同時(shí)可以大幅降低時(shí)間和能源成本。
AI for Quantum 通過人工智能突破量子技術(shù)瓶頸
從下圖我們可以看到很多 AI 技術(shù)可以應(yīng)用于解決量子計(jì)算中很多核心的問題，比如量子信息處理協(xié)議，量子糾纏基礎(chǔ)等，這些基礎(chǔ)研究可以更好助力量子糾錯、量子噪聲緩釋方案研發(fā)以及量子特征提取等方向。人工智能可以幫助我們解決量子信息的瓶頸問題，并加深我們對復(fù)雜量子系統(tǒng)、量子糾纏等量子理論的認(rèn)識，賦能量子通信、量子糾錯等技術(shù)的開發(fā)與突破。
量槳—量子機(jī)器學(xué)習(xí)平臺
量槳是全球首個(gè)云量一體的量子機(jī)器學(xué)習(xí)平臺。在量子計(jì)算機(jī)上，量子機(jī)器學(xué)習(xí)平臺可以調(diào)用云端的量子算力運(yùn)行量子機(jī)器學(xué)習(xí)算法。量槳連接了人工智能與量子計(jì)算，推動人工智能和量子計(jì)算的融合創(chuàng)新，也更加關(guān)注 AI for Quantum 和 Quantum for AI。
下圖是量槳平臺的全景圖，最上層是具體的解決方案，例如金融科技、人工智能、化工醫(yī)藥和交通制造。量槳提供了豐富的模型案例，包括組合優(yōu)化、機(jī)器學(xué)習(xí)、量子模擬、量子網(wǎng)絡(luò)等。中間是平臺的核心框架，包括量子態(tài)、量子神經(jīng)網(wǎng)絡(luò)、損失函數(shù)。量槳平臺也包含了非常豐富的模擬器和基于測量的量子計(jì)算等重要工具。量槳可以通過飛槳或量易伏框架調(diào)動底層的硬件。
量槳開發(fā)優(yōu)勢
第一個(gè)是需求場景。量槳關(guān)注了探索量子神經(jīng)網(wǎng)絡(luò)在 AI、視覺文本等方面的應(yīng)用，以及利用神經(jīng)網(wǎng)絡(luò)解決量子信息等方向的科學(xué)問題，并針對這兩個(gè)場景做了全面的功能開發(fā)以及布局。
第二個(gè)是入門友好。量槳提供非常豐富的教程、全面的功能，以及完善的文檔，確保較低的開發(fā)門檻，新手也可以快速入門。
第三個(gè)是開發(fā)便捷。量槳繼承了飛槳的神經(jīng)網(wǎng)絡(luò)算子，符合 AI 開發(fā)者的使用習(xí)慣，同時(shí)也確保很多功能與工具集符合量子領(lǐng)域開發(fā)者的使用習(xí)慣，幫助開發(fā)者更便捷地去開發(fā)量子算法。
量槳的核心功能
目前量槳支持量子經(jīng)典混合框架。在量子神經(jīng)網(wǎng)絡(luò)在執(zhí)行過程中，可以對經(jīng)典數(shù)據(jù)的進(jìn)行處理以及特征提取，也可以作為經(jīng)典神經(jīng)網(wǎng)絡(luò)的一個(gè)組件，輕松完成訓(xùn)練。
什么是量子神經(jīng)網(wǎng)絡(luò)呢？對于常見的經(jīng)典神經(jīng)網(wǎng)絡(luò)，輸入的數(shù)據(jù) x 經(jīng)過逐層的神經(jīng)網(wǎng)絡(luò)計(jì)算最后輸出 y。而量子神經(jīng)網(wǎng)絡(luò)是一種參數(shù)化的量子電路，通過調(diào)整量子門的參數(shù)使得量子計(jì)算機(jī)可以演化到目標(biāo)狀態(tài)上。
在量槳平臺上，編寫簡單的幾行代碼就可以方便快捷地搭建參數(shù)化量子電路?；谝恍?shí)際的需求，也可以增加噪聲變成含噪量子電路，部署完成后的電路可以進(jìn)一步在量子計(jì)算機(jī)上進(jìn)行實(shí)驗(yàn)?；谀壳暗牧孔佑布剑孔与娐返倪\(yùn)行成本越低越好，即電路使用的量子門越少或者越淺，得到的精度或效果會越高，而量槳搭載的全自動化的優(yōu)化電路結(jié)構(gòu)可以減少量子門的數(shù)量進(jìn)而提升真機(jī)部署效果。
量子人工智能的量子環(huán)境部署是量槳的一大特色，基于量槳可以更好地研發(fā)對應(yīng)的算法，然后直接將算法通過量易伏部署到量子計(jì)算機(jī)上，再返回結(jié)果，最后從量槳平臺得到一個(gè)完整的迭代。
量槳賦能前沿創(chuàng)新
量子神經(jīng)網(wǎng)絡(luò)是量子機(jī)器學(xué)習(xí)的核心，在今年人工智能頂會 NeurIPS 發(fā)布的一篇論文中[1]，量槳團(tuán)隊(duì)展示了對量子神經(jīng)網(wǎng)絡(luò)表達(dá)能力的研究結(jié)果，首次嚴(yán)格證明了單比特量子神經(jīng)網(wǎng)絡(luò)模擬函數(shù)的能力，類似經(jīng)典神經(jīng)網(wǎng)絡(luò)的通用近似理論。針對編碼層訓(xùn)練層再編碼層訓(xùn)練層等，我們嚴(yán)格證明了此類量子神經(jīng)網(wǎng)絡(luò)可以表示為 L 項(xiàng)截?cái)嗟母道锶~級數(shù)形式。
以上所展示的是單量子比特的函數(shù)模擬，基于量槳我們做了更深入的研究，提出了量子相位處理框架[2]，在多量子比特情況下也可以拓展出更強(qiáng)大的能力，處理更多類型的任務(wù)。本質(zhì)上來說，量子相位處理可以提取量子數(shù)據(jù)的本身相位，并對這些相位做函數(shù)變換。通過輸入 n 比特的量子數(shù)據(jù)，我們可以同時(shí)完成 2^n 次的經(jīng)典函數(shù)的模擬，進(jìn)而應(yīng)用與量子相位估計(jì)、哈密頓量模擬、量子熵估計(jì)、機(jī)器學(xué)習(xí)等場景[2]
針對 AI for Quantum 方向的研究也取得了不錯的進(jìn)展。第一個(gè)重點(diǎn)是 LOCCNet[3]，這項(xiàng)工作主要通過機(jī)器學(xué)習(xí)或者量子神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和優(yōu)化量子糾纏處理方面的協(xié)議。在量子信息中非常關(guān)鍵的問題上，本方案比原先業(yè)界最好的方案有著更高的保真度，甚至可以逼近理論保真度的上限，整體保真度的提升最高可以達(dá)到20%。第二個(gè)重點(diǎn)是量子糾纏探測與量化，量槳團(tuán)隊(duì)提出了首個(gè)適用于近期量子設(shè)備的糾纏探測及量化框架。
針對 Quantum for AI 方向具體應(yīng)用的研究，第一個(gè)是量子自然語言處理[4]，創(chuàng)新性地引入自注意力機(jī)制，賦予量子神經(jīng)網(wǎng)絡(luò)處理復(fù)雜文本的能力。第二個(gè)是自研量子機(jī)器學(xué)習(xí)算法[5]，通過量子特征映射，在減少參數(shù)量的同時(shí)更準(zhǔn)確地識別數(shù)據(jù)中的復(fù)雜模式，展示量子高效處理分類問題的潛力。
量子計(jì)算機(jī)的應(yīng)用實(shí)踐
一方面可以通過量子計(jì)算機(jī)解密量子糾纏，在小規(guī)模系統(tǒng)上量子計(jì)算機(jī)可以進(jìn)行量子糾纏態(tài)的制備以及熵估計(jì)。此外，我們也在量子計(jì)算機(jī)上進(jìn)行了量子模擬方面的一些探索，比如對于變分量子算法、海森堡模型演化等都做了成功的演示?；诶碚摰耐蒲荩孔佑?jì)算機(jī)能夠模擬的問題規(guī)模將隨著量子硬件的不斷發(fā)展而超過經(jīng)典計(jì)算機(jī)，特別是在量子模擬問題規(guī)模不斷增大的時(shí)候，量子優(yōu)勢將更加明顯，這在新能源電池研發(fā)、高溫超導(dǎo)材料研發(fā)等方面都有一定潛力。
展 望
量槳（qml.baidu.com）已經(jīng)可以通過連接量易伏將量子機(jī)器學(xué)習(xí)任務(wù)部署到量子硬件上實(shí)現(xiàn)計(jì)算，大家可以通過量槳去接觸、學(xué)習(xí)、研究和實(shí)踐量子計(jì)算，也非常歡迎大家加入量槳的社區(qū)共建生態(tài)。我們相信隨著量子機(jī)器學(xué)習(xí)平臺的性能持續(xù)提升，功能持續(xù)豐富，在量子產(chǎn)業(yè)應(yīng)用的探索和量子基礎(chǔ)研究上也會取得持續(xù)突破。深度學(xué)習(xí)框架與量子算力的結(jié)合，量子計(jì)算與人工智能的融合創(chuàng)新，都會幫助我們不斷突破技術(shù)瓶頸，取得更強(qiáng)大的人工智能能力，在未來更好地實(shí)現(xiàn)量子計(jì)算賦能各行各業(yè)。
▎參考資料
[1] Yu, Z., Yao, H., Li, M., & Wang, X. (2022). Power and limitations of single-qubit native quantum neural networks (arXiv:2205.07848). arXiv. https://doi.org/10.48550/arXiv.2205.07848. Accepted by the 36th Conference on Neural Information Processing Systems (NeurIPS 2022. https://nips.cc/Conferences/2022/Schedule?showEvent=53390)
[2] Wang, X., Wang, Y., Yu, Z., & Zhang, L. (2022). Quantum Phase Processing: Transform and Extract Eigen-Information of Quantum Systems (arXiv:2209.14278). arXiv. https://doi.org/10.48550/arXiv.2209.14278
[3] Zhao, X., Zhao, B., Wang, Z., Song, Z., & Wang, X. (2021). Practical distributed quantum information processing with LOCCNet. Npj Quantum Information, 7(1), 159. https://doi.org/10.1038/s41534-021-00496-x
[4] Li, G., Zhao, X., & Wang, X. (2022). Quantum Self-Attention Neural Networks for Text Classification (arXiv:2205.05625). arXiv. https://doi.org/10.48550/arXiv.2205.05625
[5] Li, G., Song, Z., & Wang, X. (2021). VSQL: Variational shadow quantum learning for classification. Thirty-Fifth AAAI Conference on Artificial Intelligence, AAAI 2021, Thirty-Third Conference on Innovative Applications of Artificial Intelligence, IAAI 2021, the Eleventh Symposium on Educational Advances in Artificial Intelligence, EAAI 2021, Virtual Event, February 2-9, 2021, 8357–8365. https://ojs.aaai.org/index.php/AAAI/article/view/17016
