[论文解读] Machine learning \& artificial intelligence in the quantum domain

Vedran Dunjko, Hans J. Briegel|arXiv (Cornell University)|Sep 8, 2017

Quantum Computing Algorithms and Architecture参考文献 221被引用 41

一句话总结

本篇全面综述探讨了量子信息科学与机器学习（ML）/人工智能（AI）之间的双向协同作用，展示了量子计算如何通过加速数据分析、优化和学习效率，提升机器学习任务的性能，同时机器学习与AI技术也增强了量子实验的设计与控制。主要贡献包括：量子增强学习智能体的理论框架、经典机器学习概念的量子推广，以及在样本复杂度和计算运行时间方面展现出的量子优势证据。

ABSTRACT

Quantum information technologies, and intelligent learning systems, are both emergent technologies that will likely have a transforming impact on our society. The respective underlying fields of research -- quantum information (QI) versus machine learning (ML) and artificial intelligence (AI) -- have their own specific challenges, which have hitherto been investigated largely independently. However, in a growing body of recent work, researchers have been probing the question to what extent these fields can learn and benefit from each other. QML explores the interaction between quantum computing and ML, investigating how results and techniques from one field can be used to solve the problems of the other. Recently, we have witnessed breakthroughs in both directions of influence. For instance, quantum computing is finding a vital application in providing speed-ups in ML, critical in our "big data" world. Conversely, ML already permeates cutting-edge technologies, and may become instrumental in advanced quantum technologies. Aside from quantum speed-up in data analysis, or classical ML optimization used in quantum experiments, quantum enhancements have also been demonstrated for interactive learning, highlighting the potential of quantum-enhanced learning agents. Finally, works exploring the use of AI for the very design of quantum experiments, and for performing parts of genuine research autonomously, have reported their first successes. Beyond the topics of mutual enhancement, researchers have also broached the fundamental issue of quantum generalizations of ML/AI concepts. This deals with questions of the very meaning of learning and intelligence in a world that is described by quantum mechanics. In this review, we describe the main ideas, recent developments, and progress in a broad spectrum of research investigating machine learning and artificial intelligence in the quantum domain.

研究动机与目标

• 探究量子信息处理（QIP）与机器学习/人工智能（ML/AI）之间的相互益处，涵盖实际应用与基础性问题。
• 识别并分析在现实约束条件下，量子计算如何增强经典机器学习任务，特别是数据分析、优化和学习效率方面。
• 探索机器学习与AI技术在实时自主设计、优化和控制量子实验方面的潜力，推动量子技术的发展。
• 研究学习与智能的理论基础在量子领域的推广，包括量子增强学习智能体及其对量子AI的影响。
• 评估量子优势在机器学习中的可行性与局限性，涵盖样本复杂度、计算运行时间及实际实现挑战。

提出的方法

• 系统性综述与整合量子机器学习（QML）的理论与实验研究，基于量子信息理论、计算学习理论及强化学习框架。
• 应用幅度放大、量子相位估计算法和绝热优化等量子算法，加速经典机器学习任务（如分类、回归和哈密顿量估计）。
• 开发量子增强模型，包括量子神经网络、量化霍普菲尔德网络和量子支持向量机，以处理量子数据并提升学习能力。
• 将经典强化学习范式转化为量子框架，引入量子智能体-环境模型，实现与量子系统的交互式学习。
• 利用计算学习理论（如PAC学习）形式化量子访问模型下样本复杂度与泛化误差界中的量子优势。
• 将机器学习技术（如监督学习与无监督学习）整合进量子控制协议，实现实时优化量子实验与量子态制备。

实验结果

研究问题

• RQ1 在哪些核心机器学习任务（如分类、回归和聚类）中，量子计算能够提供速度提升？
• RQ2 机器学习与AI技术在多大程度上可用于实时自主设计、优化和控制量子实验？
• RQ3 在学习效率方面，量子优势的理论极限是什么，特别是在样本复杂度与泛化能力方面？
• RQ4 经典学习概念（如概念学习、泛化与策略学习）如何推广至量子领域？
• RQ5 量子增强学习智能体是否能在交互式环境中优于经典智能体？此类场景中的根本性量子优势是什么？

主要发现

• 某些学习问题中，量子算法可在样本复杂度上实现可证明的速度提升，例如在量子PAC学习中，所需训练样本数量随输入规模呈次线性增长。
• 量子增强强化学习智能体由于在状态-动作空间探索中利用叠加与纠缠，可在某些交互式环境中实现更快收敛与更优策略优化。
• 幅度编码使量子模型能以更少的量子比特处理高维数据，显著提升相比经典模型的学习能力。
• 量子神经网络与量化霍普菲尔德网络在利用量子态进行模式识别任务时，展现出更强的记忆容量与更优的泛化性能。
• 量子相位估计算法与绝热优化技术可加快哈密顿量估计与基态制备的收敛速度，这对量子计量学与量子模拟至关重要。
• 基于机器学习的控制协议已成功应用于优化量子门序列并稳定噪声环境中的量子系统，展示了在近中期量子设备中的实际应用价值。