[论文解读] Is quantum advantage the right goal for quantum machine learning?

Maria Schuld, Nathan Killoran|arXiv (Cornell University)|Mar 2, 2022

Quantum Computing Algorithms and Architecture被引用 8

一句话总结

本文认为，量子机器学习领域对量子优势的主流追求是错误的，原因在于经典机器学习在实际表现和理论复杂性方面均表现出色。相反，本文主张将研究重点转向量子模型、核方法以及可微量子编程等基础研究——并证明即使不依赖于超越经典算法的速度提升，也能取得实质性进展。

ABSTRACT

Machine learning is frequently listed among the most promising applications for quantum computing. This is in fact a curious choice: Today's machine learning algorithms are notoriously powerful in practice, but remain theoretically difficult to study. Quantum computing, in contrast, does not offer practical benchmarks on realistic scales, and theory is the main tool we have to judge whether it could become relevant for a problem. In this perspective we explain why it is so difficult to say something about the practical power of quantum computers for machine learning with the tools we are currently using. We argue that these challenges call for a critical debate on whether quantum advantage and the narrative of 'beating' classical machine learning should continue to dominate the literature the way it does, and highlight examples for how other perspectives in existing research provide an important alternative to the focus on advantage.

研究动机与目标

• 批判性审视为何在机器学习中实现量子优势极为困难，原因在于经典机器学习算法的高性能与高复杂性。
• 论证当前对展示量子优越性的关注限制了有意义研究的范围，可能阻碍基础性进展。
• 强调替代性研究方向（如量子模型设计、核方法、可微量子编程）的价值，这些方向可在无需速度提升的前提下带来重要洞见。
• 鼓励研究社区从狭隘的‘超越经典’目标转向更广泛、更具可持续性的量子机器学习科学探索。
• 提出有意义的量子机器学习进展可源自对量子构建模块的研究、与经典学习理论之间的理论桥梁，以及实用软件工具的发展，即使在短期内无法实现量子优势亦可。

提出的方法

• 通过对比量子计算问题（小输入、结构化、理论可访问）与真实世界机器学习任务（大输入、杂乱、动态演化的理论）的特性，分析在机器学习中证明量子优势所面临的挑战。
• 引入参数移位法则作为硬件友好的方法，用于精确计算量子线路的梯度，从而实现可微量子编程。
• 展示如何利用标准优化器（如Adam和Momentum）将量子梯度集成到现有深度学习流程中，实现混合量子-经典模型的端到端训练。
• 探索量子机器学习与经典学习理论之间的理论与实践联系，尤其通过核方法和优化景观的视角。
• 提出量子感知优化器和基于张量网络的模型可源于量子计算与深度学习之间的相互融合。
• 倡导重新思考研究评估标准，优先考虑基础性洞见而非量子加速的宣称，尤其是在缺乏大规模量子硬件的背景下。

实验结果

研究问题

• RQ1 尽管量子计算具有理论潜力，为何在机器学习中证明量子优势仍特别困难？
• RQ2 在量子机器学习中，有哪些替代性研究方向可在无需超越经典算法速度提升的前提下实现有意义的进展？
• RQ3 可微量子编程与参数移位法则如何推动实用化量子机器学习应用？
• RQ4 在何种方式下，量子机器学习模型可与经典学习理论建立有意义的联系，尤其是通过核方法？
• RQ5 研究社区应如何调整其优先事项，以支持基础性创新，而非仅仅受‘量子优越性’叙事驱动？

主要发现

• 在机器学习中追求量子优势受到经典算法卓越实际表现的制约，后者设定了极高的优越性门槛。
• 由于当前量子硬件的量子比特数量有限且输入规模庞大，量子机器学习研究被限制在可分析处理的狭窄问题子集中。
• 参数移位法则可实现对量子线路的精确梯度计算，且开销极小，使利用标准深度学习优化技术训练量子模型成为可能。
• 可微量子编程已实现将量子子程序集成到混合量子-经典模型中，支持使用Adam等优化器进行端到端训练。
• 对量子梯度与优化的研究已催生量子感知优化器，并促进与深度学习的交叉融合，如基于张量网络的模型。
• 若将关注点从量子优势转向基础性问题（如模型设计、核理论、软件工具），即使在短期内无硬件优势，亦可推动可持续的进展。