您的当前位置: 首页 >> 科普园地 >> 前沿科技

量子人工智能是什么?(下)

来源:中国科普博览  发布时间:2023-09-06  浏览:1289

出品:科普中国

作者:栾春阳(清华大学物理系)

监制:中国科普博览

上回我们说到,量子人工智能融合了当今量子计算和人工智能技术最新的研究成果,并且在许多领域展现出巨大的应用价值。那么,量子人工智能如今发展到哪一步了呢?

在找到完美的答案前,先找到适合的答案

正如传统人工智能的发展一直受限于经典计算机的硬件性能一样,量子人工智能的发展同样也需要量子计算机的硬件性能来保证。

然而,当前的量子计算机在短时间内难以达到真正通用化量子计算的标准。也就是说,要想实现“量子计算”和“人工智能”的完美结合,真正发掘量子人工智能的全部潜能还需要一段较长的时间。


量子人工智能示意图

(图片来源:Veer图库)

因此,如何在短期内利用现有的量子计算硬件技术,来解决人工智能遇到的实际问题,从而尽可能发挥量子设备的计算能力,一直是科学家苦思冥想的难题。

现今的量子计算设备已经具有几十到上百个量子比特,但是这并不意味着能够替代现有的经典计算机,来实现通用的量子计算。这是因为量子计算机在运算过程中极易受到外界的干扰,从而不可避免地出现运算错误。因此,需要引入大量额外的量子比特来实现运算的纠错功能,而这种包含噪声的量子计算设备也被称为“含噪中型量子(NISQ)”阶段。

虽然量子计算机还未“进化”到终极的最强形态,但是我们仍然可以基于NISQ设备来解决遇到的实际问题。例如,“混合量子-经典算法”可以利用经典计算机来预先处理复杂的算法问题,然后传递给量子设备来发挥量子计算的潜能。




模拟人脑计算的量子技术

(图片来源:Veer图库)

因此,要想将量子计算和人工智能有效地融合在一起,我们未必需要一个发展为最终形态的通用量子计算机,目前的NISQ设备可以说是当下最合适的选择。

那么,目前量子人工智能技术被应用在我们生活中的哪些方面了呢?

量子神经网络——模拟人脑的量子人工智能

人类的智慧来源于大脑的复杂生化反应,而神经元就是构成人脑复杂神经网络的基本单位。一般而言,人脑大约由一千亿个神经元组成,并且神经元彼此之间有高达一百万亿个连接点来组成神经网络。

神经元之间的信号传递

(图片来源:Veer图库)

每个神经元只能处于抑制/兴奋的两种状态,这类似于计算机运算过程中的0/1编码。每个神经元都类似一个微型开关,当它附近大量的神经元被激活时便也会激活自身,从而完成神经信号的传递和处理。

受到人脑神经网络的启发,科学家希望利用量子人工智能技术来构造类似的过程,这种模仿人脑进行思索的方式就是“量子神经网络”。简单而言,量子神经网络就是利用量子算法的并行计算优势,来优化和加速人工智能的识别模式。




神经网络示意图

(图片来源:veer图库)

在生活中,我们现在都习惯于借助随手“扫一扫”来识别身边的事物,比如同款商品识别、标签识别和植物识别等,这些都依赖于神经网络的学习和优化训练。

对于传统人工智能而言,神经元之间的连接需要大量的数据进行训练,并且需要花费大量的算力资源进行不断优化。一般而言,大型的神经网络模型通常会有十亿个神经元互连,并且需要根据识别的结果不断调整神经元之间的连接,以提高识别的准确度。

而有了量子人工智能的帮助后,我们可以将原本庞大的神经网络模型用数学矩阵进行表示,然后利用量子计算的并行运算能力来加速矩阵的求解过程。这样一来,原本无比复杂的量子神经网络在量子人工智能的处理下,就会变得既简单又高效。

量子生成对抗网络(QGAN)——量子人工智能的攻防对决

相信大家在生活中都有被垃圾短信或邮件骚扰的经历。为了屏蔽烦人的垃圾短信或者邮件,我们可以采用过滤器来区别正常信件和垃圾信件。而为了规避过滤器的检测,垃圾信件的发送会采用更加复杂的手段来进行对抗。例如,修改垃圾信件中的特征词语,或者重新排列信件内容等。

这种垃圾信件发送方和过滤信件接收方的对抗,就是传统的生成对抗网络(generative adversarial network, GAN)过程。然而,这种基于人工智能的对抗过程也并非完美,因为它十分依赖于对抗样本的选择,如果原始的样本数据出现微小的偏离就会导致系统最终做出错误的决策。


垃圾信件发送方和过滤信件接收方的对抗

(图片来源:Veer图库)

正如我们智能手机的屏蔽功能一样,虽然大多数时候它会帮助我们过滤垃圾电子邮件和烦人的骚扰电话,但也的确容易错误地过滤掉一些正常的信息通知,从而影响我们的日常生活。

一般而言,生成对抗网络包括两个重要的部分,分别是生成器和判别器。其中,生成器会在判别器的指导下,接收无规律的噪声信号来作为输入,用以拟合成为接近真实数据的相似数据;而判别器则负责甄别接收的数据,用以区别是真实数据还是相似数据,并且最终反馈给生成器。

如此一来,生成器和判别器就可以在一轮又一轮的攻防训练中不断地提高彼此的性能,直到花费大量的计算资源和高昂的电力成本,来完成生成对抗网络的持续优化。

传统的生成对抗网络(GAN)示意图

(图片来源:参考文献[1])

为了加速生成对抗网络的训练,科学家提出利用量子算法来实现量子生成对抗网络(QGAN)。相比于传统的生成对抗网络,量子生成对抗网络中处理的数据是具有叠加性的量子态。


量子生成对抗网络(QGAN)示意图

图片来源:参考文献[2]

这样一来,经过量子生成对抗网络训练的生成数据会产生以假乱真的效果,也就是说,此时的生成器具有了创造真实数据的能力,而判别器也就无法再区别真实数据和生成数据,从而完成最强的攻防对决。

未来可期

事实上,量子人工智能技术的发展远比我们想象的要迅速得多。传统的人工智能技术大多应用于大数据的搜索任务,而运用量子算法的量子计算机则会比经典计算机更高效地完成搜索任务。因此,人们期待运用量子人工智能技术来优化大型复杂的搜索问题。

除此之外,量子人工智能技术还有很多具体的算法问题亟待解决,比如量子博弈理论、量子密码学等。它们犹如打开未来世界大门的一个个科技钥匙,吸引着无数科学家们投身其中来发掘量子人工智能的无限潜能。尽管目前量子人工智能还处于探索和发展阶段,但它已经展现出了巨大的应用潜力。随着科学家们不断突破技术瓶颈,量子人工智能有望在量子化学、材料科学、药物设计、金融风险分析等领域产生革命性的影响。

可以说,量子人工智能的出现为我们带来了奇妙和智慧的结合。通过融合量子计算的奇特性质和人工智能的智慧,我们可以期待更强大、更高效的人工智能系统,彻底改变我们对计算和问题求解的认识。

参考文献:

[1]王珏 ,芦斌 & 祝跃飞 .(2022).对抗性网络流量的生成与应用综述. 计算机科学(S2),651-661.

[2] Hu, L. , Wu, S. H. , Cai, W. , Ma, Y. , Mu, X. , & Xu, Y. , et al. (2019). Quantum generative adversarial learning in a superconducting quantum circuit. Science Advances, 5(1).