The Virtuous Cycle of Quantum-Classical Machine Learning

想象两位超级聪明的伙伴：经典人工智能（Classical AI）（那个擅长处理大量数据、精于计算和识别模式的学霸）和量子计算（Quantum Computing）（那位能够同时存在于多处、能破解那些让其他宇宙生物都要花上一辈子才能解开的谜题的神奇巫师）。

长期以来，这两位朋友一直分别在不同的房间里工作。但这篇文章由 Google DeepMind 和 Google Quantum AI 的研究人员撰写，它认为现在是时候让他们搬到一起住，开启一段**“良性循环（Virtuous Cycle）”**了。这个想法很简单：他们可以互相成就，成为彼此的超级力量，创造一个循环——一个变得更强，从而帮助另一个变得更强，进而让第一个变得更加强大。

以下是用一些有趣的类比对这段友谊进行的解释。

1. 经典人工智能如何帮助量子巫师

目前，量子巫师还有点笨拙。硬件还带有噪声，量子比特（巫师的魔法硬币）非常脆弱，让它们协同工作简直是一场噩梦。经典人工智能正作为巫师的得力助手介入其中。

• 解码器（The Decoder）： 量子计算机容易出错，而修复错误就像是在尝试解决一个巨大的、三维的拼图，而且拼图碎片还在不断变形。论文指出，寻找完美的修复方案在数学上是极其困难的（即“NP-hard”）。经典人工智能，特别是名为 AlphaQubit 的系统，已经学会了观察这些混乱并几乎瞬间找出正确的修复方法。这就像是一位侦探，即使线索被打乱，也能一眼看出谁是罪魁祸首。
• 设计硬件： 想象一下，你试图建造一座房子，房间需要以某种特定的、奇怪的模式连接，但你不能在任何想建墙的地方建墙。经典人工智能现在正协助设计这些“量子房屋”（代码和硬件布局），以确保魔法硬币不会感到困惑。这就像一位建筑师利用计算机寻找完美的房屋蓝图，而这种蓝图是人类无法用手绘制出来的。
• 调节控制： 量子计算机需要精确的激光脉冲或微波信号来工作，有点像将吉他弦调到精确的音高。如果偏差了一丁点，音乐就会走调。经典人工智能正在学习如何完美地调准这些琴弦，即使在环境嘈用且吉他震动的情况下也是如此。

代价（The Catch）： 论文谨慎地指出，虽然 AI 提供了很大帮助，但我们仍处于“含噪声中等规模量子”（NISQ）时代。这意味着巫师还在学习如何走路而不摔跤。AI 虽然有帮助，但硬件本身还不完美。

2. 量子巫师如何帮助经典人工智能

现在，让我们把剧本反过来。量子巫师又是如何帮助这位学霸的呢？

• “量子数据”的秘密： 通常，AI 通过阅读书籍（经典数据）来学习。但量子巫师可以直接与物理世界对话。想象你想了解一种新的天气类型。经典 AI 必须等待气象站测量风力和温度，然后将数字发送给计算机。然而，量子巫师可以成为风和温度，在它们变成数字之前就能直接感知变化。论文建议，如果我们能将这种“量子数据”直接喂给 AI，它可能会学到那些即便拥有无限时间、普通计算机也无法理解的东西。
• “影子”技巧（The "Shadow" Trick）： 有时，直接观察量子系统成本太高（需要进行太多次测量）。论文提到了“经典影子（classical shadows）”，这就像是为量子系统拍一张快速的、模糊的照片，但这张照片依然能告诉你最重要的秘密。经典 AI 可以利用这些模糊的照片，比以前更快地了解复杂的材料或化学物质。
• “无条件”的优势： 在某些特定的游戏中，量子巫师拥有一种经典计算无论如何也无法超越的超能力。例如，如果你有一个庞大的数据库，但只有极小的内存来存储它，量子系统有时可以通过一种叫做“量子通信优势（quantum communication advantage）”的技巧，在干草堆中找到那根针。论文指出，这在理论上已得到证明，但我们尚未建立出能在现实世界中使用它的完美硬件。

代价（The Catch）： 论文非常明确地说明了目前哪些做法是行不通的。它明确反对这样一种观点：即我们可以直接把海量的经典数据（比如整个维基百科）灌入量子计算机，并期望它立即解决所有问题。论文称之为“去量子化（dequantization）”风险：通常，经典计算机的发展速度非常快，以至于它们可以在不需要量子魔法的情况下完成同样的工作。真正的魔力只发生在处理那些本质上是量子的数据（如原子和分子）时，而不是处理普通的数字。

3. 完美的循环（The Perfect Loop）

论文的核心兴奋点在于这两个领域如何相互喂养：

1. 经典 AI 帮助构建更好的量子计算机（修复错误、设计芯片）。
2. 更好的量子计算机产生高质量的“量子数据”（模拟新的药物或材料）。
3. 经典 AI 利用这些新数据变得更加聪明。
4. 更聪明的 AI 设计出更先进的量子计算机。

在哪里效果最好？
论文指出了这个循环已经在旋转的三个特定游乐场：

• 量子化学： 模拟分子如何结合在一起以制造新药或新材料。
• 多体物理（Many-Body Physics）： 理解大量粒子是如何聚集行为的（例如超导体）。
• 量子游戏： 使用像“量子象棋”这样的游戏，来测试当规则涉及叠加和纠缠时，AI 的决策能力如何。

论文告诉我们不应该期待什么

了解论文中提到的不是答案的内容非常重要：

• 没有瞬间的魔法： 论文认为，仅仅在量子计算机上运行经典的 AI 算法并不会自动让它变快。事实上，对于许多任务，经典计算机仍然是更好、更便宜的选择。
• 没有“去量子化”的证明： 论文警告说，许多早期关于“量子优势”（即量子超越经典）的说法已被证明是错误的，因为经典方法也在不断进步。我们需要小心，不要对那些可能只是伪装成量子的经典技巧感到过度兴奋。
• 并非已解决的问题： 论文并不声称我们已经解决了量子机器学习的问题。它只是说我们才刚刚开始寻找正确的问题。它建议，最大的收获将来自于那些原生量子的任务，而不是试图将经典问题强加给量子机器。

总结

这篇论文是一份充满希望的路线图。它建议，如果我们不再试图强迫这两位朋友去做同样的工作，而是开始让他们发挥各自的独特优势并互相帮助，我们或许能解锁一个未来——在那里，我们可以设计新材料、治愈疾病，并以我们今天无法想象的方式去理解宇宙。但就目前而言，这仍是一个进行中的工程，而这个“良性循环”才刚刚开始旋转。