光子盒研究院

 

6月1日，量子计算领域的行业领导者IonQ公布了其应用量子计算机模拟人类认知的一项早期研究结果。这篇论文描述了世界上第一个公开的方法：研究团队已将一个基本的人类认知模型在量子硬件上运行，这为模仿人类思维方式的改进决策模型的潜在发展铺平了道路。

经典的机器学习(ML)是人工智能的一个强大子集。机器学习已经从20世纪60年代的简单模式识别发展到今天先进的使用海量数据集进行训练并产生高度精确的预测。

同时，从2010年到2020年，全球数据使用量从1.2万亿GB增加到近60万亿GB。在某些时候，与经典计算机相比，量子系统将更容易处理数据的持续指数增长，而经典计算机可能需要努力才能跟上。从理论上讲，在不远的将来的某个时刻，只有量子计算机才能处理如此的大规模和复杂性。

这一观点同样适用于ML领域，在某些时候，真正的突破将来自于量子机器学习（QML）而不是经典方法——这才是合理的。

IonQ首席执行官兼总裁Peter Chapman说：“能够模拟人类决策过程的量子计算机的潜在价值怎么强调都不为过，因为这样的未来离现实正越来越近了。这一突破为生成式人工智能等领域带来了巨大的潜力，它能够创造出可产生高度逼真和具有创造性输出的复杂人工智能系统。凭借量子计算无与伦比的计算能力，这研究为开发复杂的关联网络奠定了重要基础，也将推动对未来创新的追求。”

事实上，尽管其他量子计算公司也在探索QML，但IonQ的高级QML研究却格外有“魅力”。

IonQ的首席执行官Peter Chapman在机器学习方面有丰富的背景，当时他在Kurzweil Technologies与Ray Kurzweil一起工作：Chapman在开发一个开创性的字符识别系统中发挥了关键作用，该系统从扫描的图像中生成文本字符。Urzweil Technologies最终使用这种方法为盲人和视力障碍者建立了一个全面的数字图书馆。

并且，Chapman对QML的未来持乐观态度。他相信，QML最终会像OpenAI的ChatGPT和其他生成性人工智能系统使用的大型语言模型一样重要。出于这个原因，QML早已被纳入IonQ的长期量子产品路线图。

IonQ的下一个主要技术里程碑是实现35 AQ。

如今，IonQ正与许多人工智能和机器学习领域的领先公司合作，这包括亚马逊、戴尔、微软和英伟达。这些合作关系将IonQ的量子技术专长与合作伙伴的人工智能知识相结合。

IonQ的主要关注点不仅仅是量子比特的数量，而是更全面地关注量子比特的质量以及它们如何作为一个系统运行。这种质量（也被称为量子比特的保真度）是有效完成量子计算的一个关键区别，IonQ用一个面向应用的基准来衡量，它称之为算法量子比特（或#AQ）。

迄今为止，IonQ已经创造了三台捕获离子量子计算机：IonQ Harmony、IonQ Aria和它的最新模型——一个名为IonQ Forte的软件定义的量子计算机。

- IonQ Harmony是IonQ推出的第一个商业量子计算机。它可以在软件中动态地重新配置，最多可使用11个量子比特，#AQ为9。所有的量子比特都是完全连接的，这意味着客户可以在任何一对量子比特之间运行一个双量子比特门。它是一个优秀的处理器、具有高效的后端、适合小规模的概念验证工作，并与大多数量子SDK兼容。

- IonQ Aria是IonQ的第五代量子机。它可以在IonQ量子云和所有公共云上使用。凭借25的#AQ，更高的量子比特数和高门的保真度，IonQ Aria能够对更复杂的问题进行计算。它的#AQ为25也意味着量子系统中的噪音更少。有了更少的噪音，即使是最复杂的问题也需要更少的迭代，从而节省宝贵的时间和金钱。

IonQ Aria的小型化陷阱和真空室。

- IonQ Forte是IonQ最新的量子计算机。它拥有更强的灵活性、精确度和性能。IonQ Forte配备了高度专业化的声光偏转器（AOD），将激光束指向离子链中的各个量子比特，并且，在量子比特之间应用逻辑门。该处理器与IonQ Aria一样具有高达32个量子比特的容量，可以在软件中进一步扩展。

目前有两个Aria在线。据Chapman说，需要第二台Aria机器来处理增加的客户需求，并提高公司的冗余度、容量和订单处理速度。

此外，IonQ正在努力使IonQ Forte商业化，IonQ Aria和IonQ Harmony也已经可以通过谷歌、亚马逊Braket、微软Azure和IonQ Quantum Cloud进行云计算。据该公司称，IonQ Forte的云访问将在以后公布。

Forte最近展示了创纪录的29个AQ，这使得它比IonQ原定的2023年AQ目标提前了七个月。

尽管量子计算仍在由中期阶段的原型机进行，但它有潜力，也许在这十年内就能解决远远超出经典超级计算机能力的问题。同时，随着量子计算原型越来越接近于操作上的健全，经典ML模型的缩放版本已经被用于几乎所有行业的数十万个应用程序中。这些应用包括从购物网站的个性化推荐到关键的医疗诊断（如分析X射线和核磁共振扫描），以实现比人类更准确地检测疾病。

QML是一个仍在发展的领域，它使用量子计算机来完成具有挑战性的ML任务，尽管在这一点上量子机器不如经典计算机实用。将ML和量子计算（QC）结合起来产生的QML创造了一种技术，应该很快就会比经典机器学习更加强大。

根据Chapman的说法，今天的QML大部分是通过将经典机器学习算法转换为量子算法而产生的。QML并非没有挑战。它有许多与当前量子计算机相关的问题，最普遍的是容易受到环境噪声和原型硬件限制造成的退相干影响。

“看看我们过去与Fidelity、GE、Hyundai和其他一些公司进行的研究，”Chapman曾表示：“所有这些项目都是从普通的机器学习算法开始的，然后我们才把它们转换为量子算法。”

然而，他解释说，IonQ的研究表明QML的性能优于许多经典的ML同行。“我们的QML版本击败了可比的经典ML版本，”他说：“有时结果显示，QML模型更好地捕捉了数据中的信号，或者有时通过数据所需的迭代次数大大减少。而有时，正如我们最近的研究表明，QML需要的数据比经典模型需要的数据少了大约8000倍。”

QML使用叠加和纠缠这两个量子力学的原理来开发新的机器学习算法。量子叠加允许量子比特同时处于多种状态，而量子纠缠允许许多量子比特共享同一状态。这与经典物理学相反，在经典物理学中，一个比特一次只能处于一种状态，而比特之间的连接只有通过物理手段才能实现。相关的量子特性使开发者能够创建QML算法来解决使用经典计算机难以解决的问题。

值得注意的是，QML仍处于早期发展阶段；它还没有强大到可以解决非常大和非常复杂的机器学习问题。尽管如此，QML仍有可能通过更快地训练模型，提供更大的准确性，并为更新和更强大的算法打开大门，从而彻底改变经典的机器学习。

量子人工智能比QML还要新。大约一年前，IonQ开始探索量子人工智能。它的第一项研究工作产生了一篇关于人类认知建模的论文，发表在同行评议的科学期刊《熵》上。该论文表明，人类的决策可以在量子计算机上进行测试。自20世纪60年代以来，研究人员已经发现，人们在做决定时并不总是遵循经典概率的规则。例如，人们被问到的问题的顺序会影响他们的答案；量子概率有助于澄清这种怪异现象。

这篇研究论文并没有说大脑明确地使用量子力学来操作。相反，它将相同的数学结构应用于这两个领域，这增加了使用量子计算机来模拟人类认知的复杂性。

“我们对量子的潜力感到兴奋，它不仅可以为机器学习增加动力，还可以为人工通用智能或AGI增加动力，”Chapman说：“AGI是指人工智能强大到足以完成人类可以完成的任何任务的程度。有些事情在经典计算机上几乎不可能建模，但在量子计算机上却有可能。而且，我认为，AGI将可能是这些类型的问题集的最终完成地。”

使用经典的机器学习算法并将其转换为量子机器学习是可能的——IonQ已经多次成功地做到了这一点：

- 2023年1月，量子自然语言处理（QNLP）是机器学习的一个子领域，专注于开发能够处理和理解自然语言（即人类所使用的语言）的算法。IonQ的研究人员证明了使用真实的数据集可以获得有统计学意义的结果，尽管它比以前在开发量子NLP系统时使用的更容易的人工语言例子更难预测。团队对量子NLP的其他方法进行了比较，部分内容涉及当代问题，包括非正式语言、流畅性和真实性。

- 2023年1月，IonQ的研究侧重于用QNLP进行文本分类。这项研究表明，振幅编码的特征图与量子支持向量机相结合，可以使用50个实际评论的数据集，并达到62%的平均准确率来预测情绪。这虽然很小，但比之前报道的使用量子NLP的结果要大得多。

- 2022年11月，IonQ、富达应用技术中心（FCAT）和富达投资公司的这项联合研究侧重于联合概率分布函数的生成性量子学习（GAN、QGAN和QCBM）它们都使用机器学习来学习数据并进行预测。该研究表明，两个或多个变量之间的关系可以由多个粒子的量子状态来表示。这很重要，因为它表明量子计算机可以用来模拟和理解变量之间的复杂关系。

- 2021年11月，IonQ和Zapata计算公司开发了第一个实用和实验性的混合量子-经典QML算法，可以生成手写数字的高分辨率图像。其结果超过了在同一数据库中训练的可比的经典生成对抗网络（GAN）。

- 2021年9月，来自IonQ和FCAT的研究人员开发了一个概念验证的QML模型，以分析苹果和微软股票从2010年到2018年的每日回报率中的数字关系。每日回报率是指股票在每日收盘时的价格与前一日收盘时的价格相比。该指标衡量股票的每日表现。该模型表明，量子计算机可用于产生无法通过概率分布等经典手段有效再现的相关性。

- 2020年12月，在IonQ和QC Ware的合作中，经典数据被加载到量子态上，以实现高效和强大的QML应用。机器学习达到了同样的准确度，并且比在经典计算机上运行得更快。该项目使用QC Ware的Forge Data Loader技术将经典数据转化为量子状态。在IonQ的硬件上运行的量子算法与经典算法表现出相同的水平，平均10次中有8次能识别出正确的数字。

这只是IonQ探索量子人工智能的部分剪影。值得注意的是，这些QML模型的性能往往超过了原来的ML模型。总之，尽管量子机器学习仍然是一个新兴领域：它是来自量子信息处理、机器学习和优化技术的交集，这一领域仍有望比经典机器学习更快、更准确地解决问题。

参考链接：

[1]https://www.forbes.com/sites/moorinsights/2023/06/02/a-quantum-leap-in-ai-ionq-aims-to-create-quantum-machine-learning-models-at-the-level-of-general-human-intelligence/?sh=70565b727b88

[2]https://www.mdpi.com/1099-4300/25/4/548