Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency

在构建智能机器的探索过程中，科学家们长期以来一直向量子世界寻求突破。量子计算机利用控制原子和光线的奇异物理规则，有望比我们今天的任何机器都更快地解决某些问题。一个极具前景的路径是量子机器学习，其中这些设备被训练用于识别模式或做出预测，就像驱动现代人工智能的神经网络一样。然而，多年来，这一领域一直处于困境之中。研究人员发现，尽管他们可以设计复杂的量子电路，但往往会遇到一个瓶子颈：训练过程会完全失败，计算机的信号变得过于微弱，无法引导学习。此外，即使训练成功，也没有证据证明这台量子机器确实做了经典计算机无法做到的事情，或者它是否能以足够高效的方式完成任务以发挥作用。挑战在于寻找一种既易于训练又足够强大以提供真正优势的设计。

Iordanis Kerenidis 的一项新研究通过提出两种特定的量子电路设计，为这一僵局提供了解决方案。该研究引入了一种方法，使这些机器能够有效地进行训练而不丢失信号，同时确保它们执行的任务极其复杂，以至于最先进的经典计算机也难以模拟。这一突破的关键在于一种巧妙的量子门排列方式，它保持了系统的特定属性：在整个过程中粒子数量保持不变。通过将这种保持粒子数不变的结构与一种特殊的输入态相结合，研究人员创建了一个框架，使机器能够在处理本质上对经典机器而言非常困难的问题时，实现高效学习。

论文重点介绍了针对不同类型量子硬件定制的两套架构蓝图。一种被称为“幺正砖墙”（unitary brick-wall）的设计，适用于量子比特排列成线且只能与相邻比特通信的机器。另一种被称为“幺正蝴蝶”（unitary butterfly）的设计，则适用于每个量子比特都可以与任何其他量子比特连接的机器。这两种设计共享一个共同策略：它们从一个经过特殊准备的粒子态开始，然后通过层层操作。这些操作包括一种作用类似于粒子分束器的门，它们将粒子混合在一起而不产生或破坏任何粒子，以及一层用于编码待学习数据的相位门。这种组合确保了系统保持在一种经典计算机难以追踪的状态，同时又足够稳定，以便量子机器从中学习。

量子机器学习的一个主要障碍是“贫瘠高原”（barren plateau）现象，即随着系统规模扩大，用于训练模型的信号会消失，导致无法学习。研究人员证明，他们的新设计完全避免了这个问题。他们表明，用于引导训练的信号即使在粒子数量增加时也能保持强劲且清晰。这与以往的设计形成了鲜明对比，以往的设计往往在规模扩大时变得无法训练。研究表明，梯度方差（衡量训练信号强度的指标）保持在可控水平，其缩放方式允许机器无论规模大小都能高效学习。这意味着训练过程不仅在理论上可行，而且在实践中也是可行的。

为了使训练过程更快，论文引入了一种计算机器参数调整所需值的算法。传统上，训练量子模型需要针对每一个需要调整的参数多次运行电路，对于大型系统而言，这个过程会变得极其缓慢。这种被称为“多层并行参数移位规则”（multi-layer parallel parameter-shift rule）的新方法允许研究人员一次性计算出所有必要的调整。与其运行电路数千次，不如运行仅取决于粒子数量而非机器总规模的次数。对于一台拥有千个量子比特的机器，这可以将所需的运行次数减少一倍以上的十六倍，使大规模训练成为可能。

研究还探讨了这些量子机器是否真的在做一些特别的事情。研究人员展示了他们电路的输出——特别是它们产生的粒子模式——对于经典计算机来说极其难以模拟。他们根据涉及的粒子数量建立了一个难度“阶梯”。当粒子数量较少时，经典计算机可以轻松模仿量子机器。然而，随着粒子数量增加到特定阈值，模拟量子输出的任务将变得呈指数级困难。在研究人员选择的操作点，即涉及 60 个粒子时，最先进的经典算法需要超过一千亿亿次运算才能模拟单个输出。这种复杂度程度使该任务远超当前经典超级计算机的能力范围，暗示了真正的量子优势。

该框架设计灵活，适用于各种机器学习任务，从生成新数据到在复杂环境中做出决策。研究人员解释说，量子机器充当采样器，产生一组结果，这些结果可以直接使用或由经典计算机进行处理。对于生成式建模（目标是创建看起来像真实数据的全新数据）等任务，量子机器产生复杂且难以模拟模式的能力是其核心优势。对于强化学习（智能体学习如何做出决策）而言，量子机器可以探索经典方法可能会错过的广阔可能性。研究明确指出，虽然训练的某些部分可以在经典计算机上完成，但最终的模型部署依赖于量子设备来产生那些赋予系统力量的、难以模拟的样本。

研究人员谨慎地区分了已证实的结论与仍在探索的内容。他们从数学上证明了他们的设计是可训练的，并且避免了贫瘠高原问题。他们还证明了基于目前最先进的算法，经典模拟成本会随粒子数量呈指数级增长。然而，他们指出，问题的绝对难度取决于所使用的具体粒子数量。在所选的 60 个粒子的操作点，任务对于当前经典能力而言已经足够困难，但研究人员也承认，未来经典算法的改进可能会改变这一界限。他们建议可以通过增加粒子数量来调整系统，以维持这种优势。

这项工作代表了使量子机器学习成为现实的重要一步。通过解决训练性和效率这两个难题，研究人员为构建真正可用的量子神经网络提供了路线图。这些设计与正在制造的硬件兼容，且其训练方法足以在近期的设备上实现。该研究并不声称这些机器将解决所有问题或取代经典计算机，但它确实表明这些机器可以访问经典模型难以触及的一类函数。这为金融领域（如需要复杂风险建模）或科学领域（如模拟量子系统至关重要）开辟了新的应用前景。

论文最后概述了未来的路径。下一步是在真实的量子硬件上测试这些设计，以观察它们是否能在实际任务中提供实际优势。研究人员已经确定了量子优势最可能显现的具体问题，例如投资组合优化和生成式建模。他们强调，虽然理论基础是稳固的，但真正的考验将在于这些机器在实际数据上的表现。他们构建的框架为通往那个未来提供了一条清晰且可扩展的路径，提供了一种方法，在不迷失于长期阻碍该领域发展的复杂性之前，充分利用量子力学的力量进行机器学习。