量子计算是一种利用量子态的集体性质(如叠加、干涉和纠缠)来进行计算的一种新型计算方式,能为许多经典算法提供指数级或者二次加速,例如大数分解(RSA加密的基础)和数据库搜索等等。量子计算机这种解决NP-hard问题的能力,又被称为“量子霸权”。同时,随着近年来机器学习在人工智能领域的巨大成功,将量子计算与机器学习结合的量子人工智能(Quantum AI)成为了引人瞩目的新方向。

量子机器学习     

      量子人工智能是量子算法在机器学习、深度学习等传统人工智能程序中的集成,它是一个探究人工智能与量子物理交叉的领域:一方面人工智能的方法和技术可以用来解决量子科学中的问题;另一方面, 量子计算的发展也可能为人工智能,尤其是机器学习,提供新的范式,极大促进人工智能的发展。

      量子人工智能利用量子位和量子操作或专门的量子系统来提高计算速度和程序中算法的数据存储。这包括涉及经典和量子处理的混合方法,其中计算复杂度高的部分由量子设备进行计算,从而大大加速模型的速度与性能。

量子启发   

      近30年来,量子物理效应广泛引起了研究者们的兴趣,开始研究如何将其改进经典算法,即量子启发式算法。从计算复杂性的角度来看,研究者们着重探索适用于量子启发算法的前提假设,并不断缩小经典算法与量子算法之间的差距。

      现阶段,量子启发的研究方向主要是:

      1. 降低计算复杂度:量子启发的求解线性系统问题和量子启发的求解组合优化问题。

      2. 增强信息表示能力:量子启发的张量网络信息表示和量子启发的多模态数据融合。

      3. 增强模型性能:量子启发的张量网络模型和量子启发的神经网络与量子电路模型。

量子电路模拟

      目前实现的量子计算机能力有限,能进行计算的量子计算机的量子比特数量也非常稀少,所以需要在经典计算机上进行模拟。量子电路模拟主要可以用于:对量子硬件正确性的验证,设计验证量子算法,帮助变分量子求解器找到最优参数,验证量子优越性等。在目前整个量子计算机还没有完全发展起来的时候,运用经典计算机来对量子计算进行辅助设计是必要的,而如何利用相对较少的资源更好的模拟更多更好的量子系统是一个重要的问题。

      在量子电路模拟一块,前沿有两个方向:一方面是根据量子电路自身的独特特点,结合GPU,分布式等技术,充分利用已用硬件资源;另一方面,在基于张量网络模拟的思路下,优化算法以找到更优的张量网络收缩顺序。