当人工智慧结合量子电脑

當人工智慧結合量子電腦

当人工智慧结合量子电脑

量子电脑此一崭新运算科技正如烈火烹油般遍地开花。诸如Intel、IBM、Google、Microsoft等科技巨头,相继投入量子运算法与相容硬体设备的开发,如微软于2017年发表程式语言「Q#」,协助量子电脑的软体开发;同年IBM更宣布研发出全球首台 50 量子位元的量子电脑。即便量子电脑是否能完全取代现有最先进的传统电脑仍备受争议,但可以期待的是:在不远的将来,小规模的量子电脑或能辅佐人工智慧,让机器学习发挥更大的潜能。

量子特性解决二元制机器学习瓶颈

现今当红的机器学期演算法已被用来解决许多问题,如图像辨识、行为预测等。然而一旦输入更庞大的图像资料(像素更多),亦或预测人们具有「相干性」的认知行为,都将使得传统机器学习变得窒碍难行,耗费庞大的运算资源,更无法进行準确预测。

对于以神经网路为底的机器学习而言,图像辨识就像试图解决如Ax=b此一矩阵方程式的线性代数问题。在图像像素动辄百万的情况下,A与x的维度,或可理解为变数与向量数目都在百万以上。而在现今多数仍为二元制(binary)的计算机系统中,输入的资料更被离散化,所需记忆体容量会比原资料的维度再大上好几个数量级,相关运算显得旷日废时。

然而,若利用量子系统中的叠加态(superposition of states)来描述,将x转换为量子波函数 ,x的所有资讯都可被包含在波函数 的线性组合(├ |xi ⟩,i=0、1、2⋯⋯ )中(图1A);而每一项 的权重係数也不再侷限以「离散」,而可以「连续」形式表达,更贴近现实中问题的本质[1、2],例如呈连续变化的像素明暗、由三原色叠加而成的色彩。

另一个瓶颈,则是人类认知行为的预测,尤其那些具相干性的行为。所谓「相干性」,即代表问题或事件呈现的次序,会影响人们的判断或行为结果。举例来说,1997年的一份美国政治民调要求受测者依次表态,是否认为当时的民主党候选人比尔‧柯林顿与艾尔·高尔值得信任。研究人员发现:若将两位候选人的询问次序对调,受测者认为两者皆「值得信任」的机率大增。此类人类行为,无疑徒增传统机器学习的预测难度。

所幸,量子运算本身便须考量交换律(commute)。我们可将受测者的两种回答─「是(Y)」与「否(N)」─当作两量子基底态├ |Y⟩、├ |N⟩ 的线性叠加,而两个问题A与B作为量子运算符 (Quantum Operator),如此便可初步描绘出受测者回覆「是」或「否」两状态的机率幅度,进而预测受测者的答案。假设A、B不满足交换律,即AB不等于BA,则需加入量子修正[1](图1B)。在量子运算的辅助下,机器学习便能更全面地,也更轻易地克服这些预测瓶颈。 

当人工智慧结合量子电脑

图1. A以神经网路图像辨识模型为例,输入神经元由一个多维度的量子态表示,其中係数(权重)w_i可代表像素i的明暗。B举例,问题倒置对受测者回答「是」的影响,须计入量子修正;在量子力学里,若A、B算符分别代表位置及动量,则[A, B]=iħ,i为单位虚数,ħ为约化普朗克常数。

硬体问题

虽说有了量子电脑的辅助,人工智慧的发展看似如虎添翼、前程锦绣,但若缺乏相应的硬体设备,也是巧妇难为无米之炊。

现阶段量子元件的开发,主要还是基于量子位元(Qubit)。不同于非0即1的离散二元系统,量子位元 同时是0与1的叠加态( ├ |x⟩=├ w0 |0⟩+├ w1 |1⟩),其代表的资讯层次更密集,也蕴含更多可能性。然,也正因如此,量子位元对外在环境相当敏感,0和1两个态的比重易受温度干扰,因此当前多种量子元件须在极低温的环境下操作。这些对杂讯免疫力不高的量子系统,有悖于当初为抵抗杂讯影响,而设计数位编码的初衷。

而上述问题的背后,其实还有更深层的隐忧。在更进阶的量子演算法中,单一量子位元可以是二个维度 ( 状态 ) 以上的量子叠加态,例如├ |x⟩=├ w0 |x0 ⟩+├ w1 |x1 ⟩+├ w2 |x2 ⟩+⋯├ wn |xn ⟩ 。只是当中所牵涉的变数繁多,除了前述的温度干扰外,如何开发出能实现此一构想的量子元件,目前仍是一个有待解决的开放性问题。

再者,每一次资料读取,都将使得量子波函数塌缩(wave function Collapse);易言之,量子位元中所储存的资讯被干扰了。因此量子运算系统仍需準备n个 ├ |x⟩量子位元,才能準确知道完整的机率分布、进行预测[1],成为量子演算法的一大缺陷。幸运的是,许多科学家仍致力衔接量子演算法与现实硬体设备间的鸿沟,一旦成功,已然炙手可热的机器学习将有爆炸性的进展。

 

参考资料