近日，科學家提出量子計算機處理某些學習任務的速度可以超越經典計算機。相關論文發表在《科學》(Science)雜志。

圖片來自《科學》(Science)

隸屬于美國多家機構（包括谷歌Quantum AI）的研究團隊與澳大利亞研究人員，共同提出了一種理論，認為量子計算機在處理某些學習任務時，應比傳統計算機速度更快。在論文中，該團隊描述了他們在谷歌“懸鈴木”Sycamore量子計算機上進行測試的理論和結果。

對此，荷蘭萊頓大學副教授Vedran Dunjko在同期《科學》雜志發表了一篇Perspective前瞻性觀點文章，概述了這一想法：將量子計算與機器學習相結合，以研發一個具有新水平的、基于計算機的學習系統。

機器學習是一種學習系統，其通過數據集訓練過的計算機，對新數據進行基于一定信息的猜測。量子計算則涉及使用亞原子粒子來實現量子比特，以期比傳統計算機更快執行應用程序。

用量子計算機直接處理量子數據的實驗（右），可能比用經典計算機測量量子態并處理結果的傳統實驗（左）具有更大優勢，圖片來自谷歌Quantum AI Hook

前述研究人員認為，用量子計算機直接處理量子數據的實驗，可能比用經典計算機測量量子態并處理結果的傳統實驗具有更大優勢。因此，他們提出在量子計算機上運行機器學習應用程序的想法，這或許可以使機器學習更好地進行學習，從而更具實用性。

為了驗證前述想法是否可行，研究人員創新性地設計了一個機器學習任務，該任務可以通過多次重復的實驗來進行學習。同時，他們提出了相關理論，以描述如何使用量子系統來進行實驗，并從中學習。

研究人員表示，他們能夠證明量子計算機在前述機器學習任務上，可以比經典計算系統表現更優異。團隊構建了一個系統，并在谷歌“懸鈴木”Sycamore量子計算機上進行了測試，通過使用40個超導量子比特和1300個量子門進行實驗，證實了其理論。他們發現，量子計算機學習一個概念所需的實驗次數比經典計算系統要低四個數量級，并且這種優勢在預測物理系統的性質、執行量子主成分分析和學習物理動力學方面均得到了展示。

前述工作表明，如果實用量子計算機被開發出來，它也許能夠以更大規模學習新事物。