【用量子計算解決機器學習問題將面臨哪些挑戰(zhàn)？】DARPA無人車挑戰(zhàn)賽催生了一系列無人駕駛人才和公司，如今，DARPA又發(fā)布了量子計算挑戰(zhàn)賽，給出四大命題，號召研究人員用量子計算解決機器學習問題。量子計算和機器學習牽手將是怎樣一番盛況？先來看這四大挑戰(zhàn)。

量子物理學先驅人物理查德·費曼在提出量子計算的最初設想時，就是要解決當時的科學無法解決的難題，例如：在量子物理學、量子化學和材料學領域的很多問題，使用經(jīng)典計算平臺幾乎是無力解決的，但利用量子計算機的運算速度和海量數(shù)據(jù)處理能力，就可以為這些問題成功建模。

目前，DARPA正在挑戰(zhàn)這一領域，研究并描述當前和下一代量子計算機的本質，以理解復雜的物理系統(tǒng)，改進人工智能和機器學習算法，弄清量子計算可以在哪些方面解決現(xiàn)在的科學和技術難題，從而逐步讓費曼的設想變?yōu)楝F(xiàn)實。

將數(shù)量有限的量子計算機與現(xiàn)有的量子傳感器或經(jīng)典計算資源相結合，很可能產(chǎn)生一些新功能。比如可以對分布式傳感器上的量子數(shù)據(jù)進行聚合，將量子計算機的性能提升至超乎想象的水平。

用于處理量子數(shù)據(jù)問題的一些方法也可能適用于經(jīng)典計算機。無論是算法層面，還是在數(shù)據(jù)的讀取、存儲和傳輸協(xié)議上。這些“受量子啟發(fā)”的處理方式和算法在處理效率和處理速度都有很大提升。

然而，要想真正有效地利用量子計算來解決現(xiàn)實問題，尤其是機器學習/深度學習問題，目前仍然存在許多挑戰(zhàn)。量子計算本身存在固有的根本性局限。此外還包括在機器學習開發(fā)中，如何將傳統(tǒng)算法和設備與量子計算相結合，如何解決數(shù)據(jù)和資源在經(jīng)典/量子設備間的交互和傳輸問題等。

挑戰(zhàn)1：量子計算存在的根本性局限

我們對量子計算的定義沒有任何限制。它可以是物理或邏輯量子位的集合、量子退火機，量子計算液等，或者可作為待建模的系統(tǒng)的代理的其他量子仿真平臺。

如何解決可擴展化的問題。我們要將感興趣的現(xiàn)實問題在多大程度上映射到量子計算平臺進行模擬？目前的經(jīng)典計算平臺和算法在多大程度上變得不夠用了？使用量子計算有哪些潛在收益？

使用量子計算代理系統(tǒng)對物理系統(tǒng)進行建模時，面對的問題是什么？如何對量子狀態(tài)進行初始化和讀??？是否有任何新的算法可以將真實世界的量子系統(tǒng)映射到代理系統(tǒng)中？

在實驗上，我們能否使用現(xiàn)有系統(tǒng)來測試我們的基本假設？比如：錯誤會如何隨著系統(tǒng)規(guī)模的擴大而擴大？糾錯編碼算法是否真的按預期工作？所提出的量子算法是否有可能實現(xiàn)，計算出正確的答案，并達到預期的計算加速效果？

在建模系統(tǒng)的大小超過量子計算平臺大小的情況下，是否能找到任何算法，包括將量子算法和經(jīng)典架構相結合的方法，可以有效地將整個問題分解成為可以映射到一個或多個小型量子平臺的小模塊？

挑戰(zhàn)2：面向機器學習任務的經(jīng)典/量子計算混合方法

一個特別值得關注的問題是，量子計算對“第二波”人工智能/機器學習優(yōu)化策略的潛在影響。機器學習已經(jīng)在廣泛的現(xiàn)實問題中顯示出重要的價值，但數(shù)據(jù)訓練時間往往很長，這取決于數(shù)據(jù)的規(guī)模和種類。而且，由于缺乏詳細的分析和深度學習的理論支持，其網(wǎng)絡設計空間需求很大。有人主張利用量子計算在子程序優(yōu)化任務中使用量子加速，大大減少目前標準機器學習方法的訓練時間。

DARPA的關注重點是，通過對量子/經(jīng)典方法的結合，大幅改善構建高性能機器學習/深度學習解決方案所花費的總時間。

使用近期和未來量子計算設備的量子/經(jīng)典混合系統(tǒng)，可以使用哪些方法有效地執(zhí)行機器學習任務？使用這些方法是否比其他方法獲益更多？運算速度的提升是怎樣由可用量子資源的多少決定的？

實施這些方法時要面對哪些挑戰(zhàn)？例如，為了連接量子資源和經(jīng)典資源，必須應對哪些問題？我們能否在經(jīng)典處理器和量子處理器之間有效地傳輸數(shù)據(jù)，真正獲得運算性能上的提升？是否需要開發(fā)其他輔助技術來實施此類方法？

挑戰(zhàn)3：量子傳感器與量子計算資源的接口問題

將量子計算機和分布式量子傳感器的結合起來，可以獲得哪些新功能？量子計算機需要有多大以及它需要多大才能運行（例如，系統(tǒng)能容納多大的兩量子位門誤差）？需要多少分布式傳感器來衡量獲益高低，這些傳感器的性能水平等。

在這種方式下，可以利用哪些量子計算機平臺（例如陷阱離子量子位，超導量子位等）和傳感器（原子鐘，磁力計等）？

挑戰(zhàn)4：受量子計算啟發(fā)，并可用應用于傳統(tǒng)計算機的算法和流程

迄今為止，受量子計算啟發(fā)產(chǎn)生的算法可以學到哪些系統(tǒng)過程？這些新的解決方案中是否反復出現(xiàn)了某些主題和結構？當已經(jīng)證明量子方法為最優(yōu)方法時，是否存在識別經(jīng)典算法改進的方法？換句話說，我們能否預測這種啟發(fā)？

在應對上述三大挑戰(zhàn)的學習過程中，我們是否學到將數(shù)據(jù)輸入/輸出、內存和計算相結合的更優(yōu)秀的經(jīng)典架構？