量子计算和人工智能有什么关联

当我展望未来，并且谈及如何推动进步时，量子技术会是我们武器库中的一把利器。Alphabet CEO Sundar Pichai 在 2020 年世界经济论坛年会上说道。

通过量子技术，我们可以保持摩尔定律这样的理论往前迭代和发展。潜力是巨大的，当然也有挑战。量子计算将在未来 5-10 年间打破传统的加密技术，这意味着量子加密技术将成为必需。随着技术的推演，我认为人工智能和量子技术的结合将帮助我们解决我们所遇到的最严峻的问题。

量子计算和人工智能早已经是各自领域炙手可热的研究话题。在许多复杂的科学问题上，比如癌症检测、预测地震余震、极端天气，探索新系外行星等等，我们已经可以看见机器学习逐渐显露的优势。

左侧：含有微转移淋巴结的载波片的放大图 右侧：相同视图，在 LYNA（LYmph Node Assistant）辅助后用蓝色标注出肿瘤的位置

量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式，它的处理效率要大大快于传统的通用计算机。谷歌曾经在 2019 年宣布实现量子优越性（Quantum Supremacy），谷歌设计了一个实验问题，在 53 量子比特的量子计算机上破解只需要 200 秒，而用全球最强大的超级计算机 Summit 则需要一万年。

二者的结合会爆发怎样的潜力？「机器学习技术的进步有赖于计算能力的提高，量子计算机的计算能力肯定比现有计算机强太多，它必然能推动机器学习的发展，这就好比，一个脑子转得很快、更聪明的人比一个反应慢的人处理问题更快更好。」中国科学技术大学中科院量子信息重点实验室研究员韩正甫接受科技日报采访时说道。

反过来，当量子计算机逐渐推向大众视野时，也需要更加智能的机器学习算法来「适配」。「然而迄今为止，我们还缺乏有效的研究工具能够发现有用的量子机器学习模型（能够处理量子数据，并在如今可用的量子计算机上执行处理任务）」，Google AI 博客中写道。

距离 Sundar Pichai 参加世界经济论坛年会一个月之后，Google 把这件事「正经地」搬上了牌桌。当地时间 3 月 9 日，谷歌宣布联合滑铁卢大学、大众汽车、Google X 推出 TensorFlow Quantum（TFQ）——用于快速建立量子机器学习模型原型的开源库。换句话说，TFQ 是一项软件框架，在此之上，研究者可以更加容易地建立量子机器学习应用。

目前，TFQ 主要面向在经典量子电路模拟器上执行量子电路，未来 TFQ 将能够在 Cirq 支持的实际量子处理器（包括谷歌自己的 Sycamore 量子芯片）上执行量子电路。

熟悉人工智能的人对 TensorFlow 不会陌生，作为全球最流行的机器学习开源框架，简化了深度神经网络，提供可重复代码，使得训练复杂模型变得更简单和方便。「量子版 TensorFlow」又能做到什么？

根据 Google AI 博客的介绍，TFQ 提供了结合量子计算和机器学习研究领域的必要工具，以控制和建模自然或人工量子力学系统，例如 NISQ（嘈杂中型量子）算法，具有约 50-100 量子比特。底层是 TFQ 将 Cirq（专门为 NISQ 打造的 Python 开源库，让 NISQ 的编写、操作和优化变得更加容易）与 TensorFlow 集成，并提供兼容现有 TensorFlow API 的量子计算基元和高性能量子电路模拟器，并为判别式（(Discriminative model）和生成式（GeneraTIve model）量子经典模型的设计和实现提供高级抽象。

「我们希望最终发现可能产生量子优势的新的量子算法。」TFQ 白皮书中写道。

在谷歌「量子优越性」吹起了战斗的号角之后，微软，亚马逊都纷纷入局量子计算这一领域。几天前口罩生产商霍尼韦尔宣布将在未来三月内发布量子体积（Quantum Volume）最大的量子计算机，量子体积至少为 64。

极客公园此前报道过，业界普遍认为，要达到类似目前传统计算机的通用计算形式，量子计算至少需要能控制 100 万量子比特。挑战在于，量子比特不像比特那样容易控制，维持其较脆弱的状态相当难，同时也要控制量子比特增加带来的「噪音」问题。但是这不耽误，人们已经开始勾画对未来的无限想象。通过量子计算，人们能够更好地了解分子和原子的运作方式，随着量子计算的发展，传统机器学习中不可计算的问题将变成可能，量子机器学习模型将在金融安全，医学治疗，传感通讯等等领域大有作为。