机器学习也将解决量子问题

当量子计算机执行可能导致下一代电池或新药的复杂物理和化学模拟时，它可能比任何传统超级计算机强大得多。然而，可能需要很多年才能实现实用和广泛的量子计算。

量子计算机理论上可以实现“量子优势”，它们可以找到经典计算机无法解决的问题的答案。量子计算机拥有的量子比特越多，其计算能力就可以以指数形式增长。

经典计算机通常难以模拟量子系统，尤其是涉及多个实体的系统。相比之下，量子计算机本身就是量子系统，因此理论上可以更快地解决这类量子多体问题。

然而，量子计算机目前是嘈杂的中等规模量子（NISQ）平台，这意味着它们的量子比特数最多可达几百。为了证明对实际应用有用，未来的量子计算机可能需要数千个量子比特来帮助补偿错误，这个目标可能需要很多年的时间。

在这项新的研究中，研究人员调查了在经典计算机上运行的机器学习算法，即通过经验自动改进的算法。他们发现这些经典的机器学习算法可能比经典计算机上的任何其他算法更好地解决具有挑战性的量子问题。他们在9月22日的《科学》杂志上在线详述了他们的发现。

科学家们分析的一组应用包括发现分子的基态，即能量最少的基态。该研究的主要作者、加州帕萨迪纳加州理工学院量子信息理论家Robert Hsin-Yuan Huang表示，叠加和纠缠会使预测分子基态变得非常困难，特别是当它拥有许多原子时。

研究人员调查了当经典机器学习算法获得分子基态数据时发生的情况，例如，从分子收集量子数据的实验所提供的信息。他们发现，这种经典的机器学习算法能够有效、准确地预测其他分子的基态，这比其他类型的经典算法要好得多。

Huang说，这种优势来自于“大自然如何机械地操作量子”，所以从量子实验中收集的数据“包含了自然界中量子计算能力的碎片”。这意味着从这些数据中学习的经典机器学习算法“可以比任何非机器学习算法更准确、更有效地进行预测，”他补充道。

总而言之，在预测基态时，经典的机器学习算法“在相同的计算时间内可以比经典的非机器学习算法更准确地预测，”Huang说，“如果我们的目标是实现相同的预测精度，那么经典的机器学习可以比经典的非机器学习算法更快地运行超多项式。”

研究人员探索的另一组应用是对物质的各种量子相进行分类。熟悉的物质状态包括冰可能采用的许多晶体结构，而更奇异的物质量子相包括拓扑绝缘体中看到的那种，在那里电或光可以流动而不会散射或损失。

科学家们发现，当经典机器学习算法以量子相位的经典数据为基础进行训练时，它们可以有效地学习如何准确分类训练中没有遇到的量子相位。

Huang说：“有正式证据证明，在量子物理的一个重要问题上，用物理实验数据训练的经典机器学习算法可以胜过任何经典的非机器学习算法，这个结果是令人兴奋的。它真正显示了经典机器学习在解决物理、化学和材料科学中具有挑战性的问题方面的力量。”

Huang说，未来的研究可以探索经典机器学习可以很好解决的其他重要量子问题。他指出，进一步的工作还可以探索如何优化经典机器学习算法解决量子问题的方式，根据它们需要多少训练数据和计算时间。

最终，有一天，量子计算机在模拟化学和物理实验方面甚至会胜过经典的机器学习。Huang说：“如果量子计算机现在已经成熟，那么使用量子计算机肯定会更好。”

然而，在量子计算机出现之前，“根据实验数据训练的经典机器学习模型可以解决化学和材料科学中的实际问题，这些问题很难单独使用经典处理来解决，”Huang说。