On the Computational Complexity of Blind Quantum Machine Learning
本文介绍了 MasonQ，一种能够将任意量子电路映射到砖块图态（brickwork graph states）的通用且最优的转译器，通过建立新的深度界限并为近期的实现提供资源估算，证明了盲量子机器学习可以同时实现计算效率和隐私性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的未来：你可以要求一台强大的计算机为你解决一个复杂的问题，例如寻找物流车队的最优路线，或者分析医学扫描图像，而无需泄露你的任何数据细节或你所提出的具体问题。这就是“盲”计算（blind computing）的承诺：一种将工作委托给远程服务器，同时又能保护你的秘密的方法。几十年来，科学家们一直知道量子计算机利用物理学的奇特规则来处理信息，能够比任何经典机器更快地解决某些问题。然而，一个挥之不去的疑虑仍然存在：量子计算机能否在极速运行的同时，也实现完全的隐私保护？人们担心，那些用于隐藏数据的机制可能会让机器变得如此缓慢，以至于其速度优势会消失殆尽。这个问题处于两个主要领域的交汇点：量子机器学习（利用量子物理学寻找数据模式）和盲量子计算（利用量子态的脆弱性来确保隐私）。
一组研究人员现在用一个明确且肯定的“是”回答了这个问题。他们开发了一种新方法，允许量子算法在不牺牲速度的情况下进行私密运行。为了实现这一点，他们构建了一个名为 MasonQ 的复杂软件工具，它充当了一个通用翻译器。它的任务是将任何标准的量子计算机程序转换为盲计算所需的特定格式。这种格式依赖于一种被称为“砖块结构”（brickwork）的图结构，这是一种由纠缠粒子组成的扁平、网格状排列，作为计算的原材料。在这种设置中，用户向远程服务器发送指令，由服务器对这些粒子进行测量。服务器对计算过程一无所知，因为测量结果在它看来是随机的，而用户则能获得正确的答案。挑战在于，将标准程序转换为这种砖块格式通常似乎需要大量的额外空间和时间，这可能会破坏原始算法的效率。
研究人员证明了这种担忧是毫无根据的。他们表明，使计算实现“盲化”所付出的额外成本是出人意料地小且可预测的。所需的砖块结构的规模并不会发生爆炸式增长，而是以一种可控的方式增长，仅随原始程序的步骤数和涉及的粒子数进行缩放。他们通过将该翻译器应用于几种重要的量子机器学习任务（包括用于在大型数据库中寻找模式和处理图像的算法）证明了这一点。对于这些任务，他们发现隐私开销只是一个数学因子，并不会改变量子方法的根本速度优势。例如，一个原本就很快的算法在实现私密化后依然保持着极快的速度；它只是需要一个稍大的粒子网格来工作，但并没有大到变得不切实际。
为了在现实场景中测试他们的理论，该团队设计了一个在不久的将来即可利用现有技术构建的微型实验。他们构建了一个盲推荐系统，类似于流媒体服务向用户推荐电影，但服务器并不知道用户的喜好。这个微型系统要求服务器在内存中仅持有十二个量子粒子。然而，为了保持计算的私密性，服务器需要接收并测量总计 750 个由远程准备的额外粒子。整个过程涉及一个深度为 125 步的交互网格。这一特定的设置作为一个具体的基准，证明了完全私密的量子机器学习任务不仅仅是一个理论上的构想，而且可以在科学家们目前正在制造的硬件上得到演示。
这项工作还明确了成本究竟来自何处。使这些计算实现“盲化”的主要困难并非源于隐私与速度之间的根本冲突，而是源于结构性的问题。量子计算机经常需要让距离较远的粒子相互作用。在私密的砖块格式中，这些遥远的粒子必须通过一系列交换（swaps）被带到彼此附近，这增加了步骤。研究人员表明，虽然这增加了工作量，但这是一个系统性的、可计算的量。它并不会造成阻碍，使任务变得无法完成。他们的发现表明，在未来，我们可以拥有一个“量子互联网”，用户可以向强大的远程服务器发送复杂的学习任务，并确信其数据保持隐藏，且结果能快速交付。这项研究证实，在经典计算中往往难以调和的学习与隐藏之间的张力，可以在量子领域得到解决且不会产生过高的成本，从而为私密且高效的人工智能开启了一个新时代。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。