新研究表明量子计算即将学会推理

  在过去几年中,量子计算机的应用和发展步伐正在加快。研究人员已经将这种新颖的计算方法应用于各个领域,包括量子力学、流体力学研究、开放性问题,甚至是机器学习,都取得了可喜的成果。延续这一趋势,英国初创公司剑桥量子计算(CQC)目前已经证明量子计算机“可以学习推理”。

  虽然这乍一看会令人感到困惑,不过这个说法是基于 CQC 的新研究出来的。该公司量子机器学习主管 Mattia Fiorentini 博士和他的研究团队研究了利用量子计算机进行变异推理。

  变分贝叶斯方法 (Variational Bayesian methods)是一个过程,通过这个过程,我们使用随机优化和其他学习技术来逼近一个给定的概率分布。抛开专业术语不谈,这意味着量子计算机会输出推理问题的潜在解决方案。例如今天是阴天但草地是湿的,那么是什么原因导致的呢?洒水车还是曾经下过雨?

  在 arxiv 上发表的一篇标题为《Variational inference with a quantum computer》(QNLP在实践中:在量子计算机上运行意义的组合模型)的研究论文中,强调了该公司认为量子计算机对 Variational Inference,以及延伸到推理方面的一个有希望的指标。

  该研究团队由 Marcello Benedetti博士和共同作者Brian Coyle、 Michael Lubasch博士和 Matthias Rosenkranz博士带领,是CQC量子机器学习事业部的一个部门,该部门由 Mattia Fiorentini博士领导。

  在论文中写道:“量子计算机的输出看起来是随机的。然而,我们可以对量子计算机进行编程,使其输出具有一定模式的随机序列。这些模式是离散的,可以变得非常复杂,以至于经典计算机无法在合理的时间内计算它们。这就是为什么量子计算机是概率机器学习任务的天然工具,例如不确定性下的推理”。

  在论文中,研究人员展示了他们在贝叶斯网络上的结果。测试了三个不同的问题集。首先,是上文所述的经典云-洒水器-雨问题。第二,是在模拟金融时间序列的隐马尔科夫模型中预测市场制度切换(牛市或熊市)。第三,是在给定一些症状和危险因素信息的情况下,推断患者可能的疾病的任务。

  使用对抗式训练和kernelized Stein差异,两者的细节可以在论文中找到,该公司对一个经典的概率分类器和一个称为Born机器的概率量子模型进行了串联优化。

  训练完毕后,在量子模拟器和IBM Q的真实量子计算机上对前面定义的三个问题进行推理。在下图所示的截断直方图中,洋红色的条形图代表真实的概率分布,蓝色的条形图代表量子计算模拟器的输出,灰色的条形图代表IBM Q的真实量子硬件的输出,真实量子计算机硬件上的结果受到噪声的干扰,这导致收敛速度比模拟的慢。然而,这在NISQ时代是可以预期的。

  量子模拟器的概率分布与真实的概率分布非常相似,说明量子算法的训练效果很好,公司的对抗性训练和内核化的Stein差异方法是达到预期目的的强大算法。

  论文中写道:“我们用贝叶斯网络的例子对该方法进行了数值演示,并在IBM量子计算机上实现了实验。我们的技术可以实现高效的变分推理,其分布超出了那些在经典计算机上可以有效表示的分布。我们的技术可以实现高效的变量推理,其分布超越了那些在经典计算机上可有效表示的分布。”

本文由程序自动从互联网上获取,其版权均归原作者所有,文章内容系原作者个人观点,不代表本站对观点赞同或支持。如有侵权,请联系删除。