量子计算还处于起步阶段，目前还没有存在量子计算机的通用架构。然而，他们的原型已经在这里，并在密码学，物流，建模和优化任务中显示出有希望的结果。对于AI研究人员，优化和抽样尤为重要，因为它能够以更高的精度快速训练机器学习模型。
目前，加拿大D-Wave是量子计算领域的领先公司。他们最新的机器D-Wave 2000Q包含2000个量子位，工作温度为0.015K（略高于绝对零）。他们的目的不是在不久的将来创造通用量子计算机，而是比现有设备可以做的很好——量子退火。
D-Wave 2000Q以毫秒级的尺度上输入数据，找到解决方案并将其读出。您可以轻松地重复整个过程多次，以获得不同的解决方案。并且它比模拟退火的现代GPU实现速度高出数千倍。
量子退火适用于诸如玻耳兹曼机器等能源模型的培训和抽样。值得注意的是，无人值守学习，是AI研究人员面临的一大挑战，也可能是量子计算的关键。但数值精度存在问题。即使使用半精度浮点数也很难处理，所以目前大多数工作都是使用二进制变量进行的。
D-Wave正计划在2019年之前创建适用于机器学习的工业级混合量子、经典计算机。另外，1QBit正在为其机器开发专门的软件。
QA如何工作
简而言之，量子退火是量子系统的受控能量减少的方法，其将量子位从叠加移动到具有低能量配置的经典状态。任务描述被编码为量子位之间的连接中的能量函数，并且通过退火，它们正在朝着一些最佳配置移动。
如果转换缓慢进行，算法将以高概率找到基本状态（即最优解）：
量子耦合允许量子位同时探索所有潜在的解决方案，同时量子隧道允许它们通过高能量障碍向“更好”状态移动。这些2倍的效果使量子计算机解决许多难题的优化问题，比传统计算机快。
IBM Q
另一个主要的研究团队是IBM Q. Big Blue正在与Gate-model量子计算工作，他们的机器是Universal Quantum Computers。他们有更广泛的应用程序，但同时他们更难控制。来自IBM的最先进的处理器具有16和17个量子位，实际上很难进一步扩展。
IBM的处理器的更一般架构允许他们运行任何量子算法。例如，Grover的算法可以找到一个黑盒子函数的输入，该函数仅在函数的O（√N）评估中产生指定的输出。更不用说整数分解的Shor算法，这对许多经典加密算法的安全性造成了很多问题。
顺便说一下，16位数字版本是通过IBM Q Experience程序公开的。来自IBM Watson在AI社区的认知服务的声誉现在是非常糟糕的。也许，IBM Q将能够改变这种情况。
量子世界与量子神经网络之间的另一件事是，对经典人造神经网络进行固有随机修改。这是一个有趣的研究方向，但没有任何有意义的成就。只有理论研究和模拟。
总体而言，量子计算看起来像机器学习随机模型的一个有希望的方向。随着D-Wave和IBM的最新进展，我认为到2020年，我们可以期待量子计算机在AI中的实际应用。
原文发布时间为：2017-08-28
本文作者：五声科技
本文来源：今日头条，如需转载请联系原作者。
