当启动电脑时，研究人员Valeria Saggio需要一种特殊的水晶——只有指甲那么大——然后轻轻地放入一个小铜盒。
小铜盒就像一个微型电烤箱，这个小铜盒将晶体加热至77°F，相当于25℃。
晶体在这个精确的温度下，会把一个光子分裂成两个光子。其中一个将直接进入光探测器，它的旅程宣告结束；而另一个则会进入一个微型硅片——一个量子计算处理器。
这时候，研究者Saggio打开一束激光，用一束光子轰击晶体。
在维也纳实验室里，Saggio将单光子激光引入量子电路，以展示量子物理的变幻莫测如何改善机器学习。
物理学与计算科学的「自然联姻」
「这是研究范式的真正改变！」巴黎索邦大学量子通信专家Eleni Diamanti说。
「几年前，我还认为，物理学家和计算科学家生活在平行世界里。」Diamanti补充到。
对于Saggio而言，「量子力学能帮上忙吗？」这是时常盘旋在她脑海里的一个问题。
一直以来，物理学家和计算机科学家都在寻找「量子加速」的证据。
这是一个很酷的实验，它回答了一个长期性的问题：量子物理是否为机器学习提供了真正优势？研究项目就像把机器人困在迷宫里，而计算机必须在没有任何先验知识的情况下，自己找到出路。
这个操作更像是Rube Goldberg，这是一种被设计得过度复杂的机械组合，以迂回曲折的方法完成简单的工作，例如倒一杯茶。设计者必须计算精确，令机械的每个部件都能够准确发挥功用，因为任何一个环节出错，都极有可能令原定的任务不能达成。
量子计算机必须学会一项任务：自己找到正确的出路。「机器学习就是让计算机在没有明确编程的情况下做有用的事情。」莱顿大学量子信息研究员Vedran Dunjko说。
2013年有研究指出，量子计算机能够加速一些「无监督」学习任务，在这些任务中算法可以自己发现模式。但，这种方法只是理论上充满希望，实际技术却是不可能实现的。
巴黎索邦大学量子通信专家Eleni Diamanti说:「很多机器学习，技术已经达到水平，但应用仍不可行。」
过去的10年里，研究人员开始研究量子计算机如何影响机器学习。量子计算机的一个独特优势是叠加现象，当「经典位」在0和1之间切换时，「量子位」可以是两者的复杂组合，量子算法使用叠加来减少得到正确答案所需的计算步骤。
诚如IBM物理学家Kristan Temme所言，「相比强行解决问题，更应该去发现机会，这些机会可能最终出现在更加细微的细节中。」
尽管量子计算取得了可喜成绩，但研究人员仍然认为，量子计算不会完全取代传统计算，而是一种对传统计算的补充，每种类型的计算机都有自己的优势。
找到人工智能中的数学与量子计算中的物理学，进行「自然联姻 」，这是量子机器学习应用于现实的关键。
「内核」的奥妙
Temme 以经验说话。
2019 年，他在 IBM 的团队发现了一种与量子物理学兼容的解决方法。这种方法涉及一种名为「内核」的东西。
内核是衡量两个数据点相对于特定特征的相关程度的度量。举个例子，现在考虑包含三个元素的简单数据集：BLUE、RED 和 ORANGE。
如果将这些元素视为颜色，RED 和 ORANGE 的关系更近。但是，如果考虑字符数，BLUE 就位于 RED 和 ORANGE 之间。
简单讲，内核就像镜头，可以让算法以不同的方式对数据进行分类，找到有助于区分未来输入的模式。Temme 说，这是一种以新的视角重铸信息的技巧，可以将原本隐藏在数据中的强大关系归零。
内核与量子物理学没有内在联系。但量子计算机以类似内核的方式处理数据，因此 Temme 认为，他的团队可以为内核设计一种量子算法，特别面向监督学习问题。
Temme 与他的 IBM 同事 Srinivasan Arunachalam 和加州大学伯克利分校的实习生 Yunchao Liu 一起着手证明「量子内核算法」可以超越经典算法。
2020 年夏，他们开始研究如何使用内核来证明量子计算机可以促进监督学习。 最后，他们找到了一种方法。
论文链接：
https://arxiv.org/pdf/2010.02174.pdf
Temme 团队展示了如何通过使用量子内核，学习找到隐藏在离散对数问题产生的看似随机输出中的模式。
团队使用内核和叠加，重新解释数据点，并快速估计数据点之间的比较方式。最初数据看起来是随机的，但量子方法找到了正确的「镜头」来揭示其背后的模式。一些关键特征的数据点不再随机分布，而是作为邻居聚集在一起。通过建立这些连接，量子内核可以帮助系统学习如何对数据进行分类。
「所有的数据都落到了它们的位置上。」Temme 回忆道。该方法让量子计算机的准确率超过 99%。
「我真的很喜欢这篇论文，」量子机器学习专家Maria Schuld说。「它从根本上解决了人们长期以来在量子机器学习中苦苦挣扎的问题。」
对 Schuld 来说，Temme 工作的新颖之处在于它证明了量子计算机在经典计算机上做了一些无法解决的事情。「我认为他们第一次令人信服地做到了这一点。」她说。
训练量子「学习者」
虽然 Temme 的基于内核的量子计算方法仍然太新，还无法在实际实验中证明，但融合量子力学和另一种类型的学习的理论，则有更多的时间来证明自己。
早在 2016 年，Vedran Dunjko 就参与论述了，为什么量子力学可以增强强化学习的性能。在强化学习中，训练系统会在算法做出正确选择时给予奖励，推动学习者下次更有可能做出正确选择。
2018 年，Dunjko 和量子信息专家Sabine Wölk 提出，一种著名的量子搜索算法可以比经典计算机更快地使用叠加来评估一系列正确选择。Wölk 受邀到维也纳就这个想法发表演讲，Valeria Saggio 出席了会议。她意识到，基于光子的量子计算机有助于证明这个想法。
「那时候我们就认为，实际上，用量子处理器实现某些东西是可能的。」她说。
Saggio 研究了一套复杂的激光器、晶体和量子处理器，以展示量子搜索算法如何帮助计算机比传统算法更快地在光学「迷宫」中导航，同时简化步骤。
强化学习可以归结为一个问题：计算机将如何探索所有可能的选择？经典计算机可以按顺序处理选项。但是量子计算机的「叠加」特性可以放大一些优化的路径。
Saggio团队的量子纳米光子芯片，通过光子及其通过芯片的路径传递信息。每条路径编码不同的信息，每条路径都可以将光发送到不同的出口。
Saggio 选择了一个出口作为「正确」出口，然后训练芯片将光发射到这个出口处。如果芯片做出错误选择，Saggio 的 Python 终端上会弹出一个 0。如果正确，则得1分。
为了让量子芯片快速找到正确的路径，团队使用了量子搜索算法。在第一次运行时，计算机将有相同的概率选择任何路径。
但是一旦计算机偶然发现了正确的选择，奖励机制就会发挥作用。光路中每个弯曲处的物理特性都会进行调整，以使学习者做出更正确的选择。也就是说，解决方案在量子电路中被放大。
结果显示，量子芯片对强化学习的加速很明显。量子芯片的学习速度比经典计算机快 63%。
「最后我们获得了很多1分，我们很高兴。」Saggio 说。
塞维利亚大学的量子机器学习专家卢卡斯·拉马塔 ( Lucas Lamata )表示，至关重要的是，该芯片不仅仅是通过更快的试错周期。“这项研究的新颖之处在于，显示了学习速度的加快。这是一个重要的突破。”
从这个意义上说，它在实验中展示了 Temme 的理论加速所承诺的内容：量子物理学可以智胜——不仅仅是跑赢——经典计算。
这样，研究人员可以不必等待全尺寸的量子计算机，迪亚曼蒂说。「以现有的条件，就可以从量子资源中获得优势，已经可以加速执行某些计算任务了。」
量子计算与机器学习随着量子物理学最终证明可以改善机器学习，该领域的许多人都渴望在未来几年看到更多的实验演示。
「现在我们知道，量子优势是可能实现的」。Saggio 说，她希望看到「更现实的学习场景」。研究人员推测，未来的量子强化学习可能用于大范围的计算任务的加速。从国际象棋、自然语言算法，到解码神经接口中的大脑信号和个性化复杂的癌症治疗计划。
但目前的技术限制让实验变得很困难。
「我们可以实际分析的问题范围太小了」。所以，Temme团队的成果更显得重要。
量子力学和人工智能之间的结合，让这两个领域都诞生了新的前景。科学家们现在正在使用经典机器学习来提高我们对量子物理学的理解。
例如，人工智能算法可以优化量子电路的微调，在量子实验中最令人头疼的部分防止错误，并节省时间。机器学习还能帮助物理学家检测量子纠缠。
「这种自然的结合是我们乐于看到的，」Dunjko 说。「当然，我们还远远没有探索所有可能的联系，还有很多很多新的东西有待发现。」
