机器学习里程碑，两大初创黑马量子公司实验证明可在近期量子硬件上运行了

QC Ware近日宣称实现了量子机器学习的一个重要里程碑，对于量子机器学习的实际应用，以及开发量子计算机方面，有重大意义。

在今年的Q2B20会议上，QC Ware国际部门的量子算法负责人Iordanis Kerenidis，和IonQ的高级量子应用研究科学家Sonika Johri一起，分享了他们近期实验合作的一些技术细节。

 
图1｜Sonika Johri（左）Iordanis Kerenidis（右）（来源：Q2B20）

他们的实验证明了，在近期的量子计算机上，机器学习可以达到相同或更高级别的准确度。且在量子计算机上的运行速度，也比在经典计算机上快得多。

他们的演说题目为“Noise-Resilient Implementation of a Quantum Nearest Centroid Algorithm”，相关的论文题目为“Nearest Centroid Classification on a Trapped Ion Quantum Computer”[2]。

实验中，QC Ware和IonQ团队运行了机器学习算法，跨越了量子机器学习（Quantum Machine Learning, QML）中不可逾越的障碍：以抗噪的方式，将经典数据加载到量子态上，从而实现强大高效的QML应用。

实验成功的关键因素是QC Ware的Forge数据加载器[3]技术，连同IonQ的11个高质量、全连接的量子比特，以最佳形式将经典数据转换为量子态。下文是一些实验细节的概述。

 

实验细节

挑战

大多数来自学术界、工业界和政府的研究论文，都假定使用量子随机存取存储器（Quantum Random Access Memory，QRAM）将数据加载到量子计算机上。

但是，很少有研究人员或供应商从事QRAM的研究，而对于QRAM的量子比特数和电路深度方面，有较高的硬件要求。Forge数据加载器技术的出现，为QRAM提供了替代方案。

下表说明了加载具有一千个要素的数据点所需的条件。与Forge数据加载器相比，传统方法不切实际，因为其所需的硬件技术尚不存在，且所需量子比特的数量过多、电路深度过大。

而Forge优化数据加载器仅需100个量子比特、100深度电路，来加载此类数据点。
 

图2｜QC Ware的Forge数据加载器对比表（来源：QC Ware）

 

解决方案

该实验部署了Forge数据加载器，以最佳形式将经典数据转换为量子态，便于在机器学习应用中使用。

QC Ware的量子机器学习分类算法，是用IonQ的11个量子比特系统来执行的，称为“量子最近质心算法（Quantum Nearest-Centroid Algorithm）”。

除此之外，实验还使用了MNIST手写数字图像集，由0到9的数字图像构成。该算法通过对图像的观察，确定其观察到的为0到9之间的数字，与相应经典算法的准确度相匹配。
 

图3｜MNIST数据集（来源：InfoQ）

 
与经典计算的对比

在IonQ硬件上运行的QC Ware量子算法，与相应的经典算法在同一级别上运行，两者在识别正确数字中的概率是相同的。

可以在下面MNIST数据集的经典/量子混淆图中看到，而这是有史以来首次在量子计算机上执行10个类别的分类任务。

 

图4｜MNIST数据集的经典（上）量子（下）混淆图

QC Ware量子算法还为量子计算提供了几个长期优势。首先，计算步骤、花费时间的减少，意味着处理得更快更好。

其次，团队表示这种算法是可扩展的。随着问题规模的增大，就算没有纠错量子比特，算法的精度应该会保持不变。

 

行业影响

QC Ware与IonQ的合作实验，将会对行业产生以下潜在影响：

1 为各种量子机器学习应用开辟了道路，包括自然语言处理、决策、客户建议和欺诈检测等

2 加速在量子计算机上执行量子机器学习的应用，并实现行业中的实用化

3 展示了下一代量子计算机超越经典计算机的潜力

 

参考链接：

[1]https://medium.com/qc-ware/qc-ware-and-ionq-experiment-demonstrates-machine-learning-algorithms-can-run-on-near-term-quantum-9d5cad178822

[2]https://arxiv.org/pdf/2012.04145.pdf

[3]https://forge.qcware.com/

 

声明：此文出于传递高质量信息之目的，若来源标注错误或侵权，请作者持权属证明与我们联系，我们将及时更正、删除，所有图片的版权归属所引用组织机构，此处仅引用，原创文章转载需授权。