「當我展望未來，并且談及如何推動進步時，量子技術(shù)會是我們武器庫中的一把利器?！笰lphabet CEO Sundar Pichai 在 2020 年世界經(jīng)濟論壇年會上說道。
「通過量子技術(shù)，我們可以保持摩爾定律這樣的理論往前迭代和發(fā)展。潛力是巨大的，當然也有挑戰(zhàn)。量子計算將在未來 5-10 年間打破傳統(tǒng)的加密技術(shù)，這意味著量子加密技術(shù)將成為必需。隨著技術(shù)的推演，我認為人工智能和量子技術(shù)的結(jié)合將幫助我們解決我們所遇到的最嚴峻的問題。」
量子計算和人工智能早已經(jīng)是各自領(lǐng)域炙手可熱的研究話題。在許多復雜的科學問題上，比如癌癥檢測、預測地震余震、極端天氣，探索新系外行星等等，我們已經(jīng)可以看見機器學習逐漸顯露的優(yōu)勢。
左側(cè)：含有微轉(zhuǎn)移淋巴結(jié)的載波片的放大圖 右側(cè)：相同視圖，在 LYNA（LYmph Node Assistant）輔助后用藍色標注出腫瘤的位置
量子計算是一種遵循量子力學規(guī)律調(diào)控量子信息單元進行計算的新型計算模式，它的處理效率要大大快于傳統(tǒng)的通用計算機。谷歌曾經(jīng)在 2019 年宣布實現(xiàn)量子優(yōu)越性（Quantum Supremacy），谷歌設計了一個實驗問題，在 53 量子比特的量子計算機上破解只需要 200 秒，而用全球最強大的超級計算機 Summit 則需要一萬年。
二者的結(jié)合會爆發(fā)怎樣的潛力？「機器學習技術(shù)的進步有賴于計算能力的提高，量子計算機的計算能力肯定比現(xiàn)有計算機強太多，它必然能推動機器學習的發(fā)展，這就好比，一個腦子轉(zhuǎn)得很快、更聰明的人比一個反應慢的人處理問題更快更好?！怪袊茖W技術(shù)大學中科院量子信息重點實驗室研究員韓正甫接受科技日報采訪時說道。
反過來，當量子計算機逐漸推向大眾視野時，也需要更加智能的機器學習算法來「適配」?！溉欢駷橹?，我們還缺乏有效的研究工具能夠發(fā)現(xiàn)有用的量子機器學習模型（能夠處理量子數(shù)據(jù)，并在如今可用的量子計算機上執(zhí)行處理任務）」，Google AI 博客中寫道。
距離 Sundar Pichai 參加世界經(jīng)濟論壇年會一個月之后，Google 把這件事「正經(jīng)地」搬上了牌桌。當?shù)貢r間 3 月 9 日，谷歌宣布聯(lián)合滑鐵盧大學、大眾汽車、Google X 推出 TensorFlow Quantum（TFQ）——用于快速建立量子機器學習模型原型的開源庫。換句話說，TFQ 是一項軟件框架，在此之上，研究者可以更加容易地建立量子機器學習應用。
目前，TFQ 主要面向在經(jīng)典量子電路模擬器上執(zhí)行量子電路，未來 TFQ 將能夠在 Cirq 支持的實際量子處理器（包括谷歌自己的 Sycamore 量子芯片）上執(zhí)行量子電路。
熟悉人工智能的人對 TensorFlow 不會陌生，作為全球最流行的機器學習開源框架，簡化了深度神經(jīng)網(wǎng)絡，提供可重復代碼，使得訓練復雜模型變得更簡單和方便?！噶孔影?TensorFlow」又能做到什么？
根據(jù) Google AI 博客的介紹，TFQ 提供了結(jié)合量子計算和機器學習研究領(lǐng)域的必要工具，以控制和建模自然或人工量子力學系統(tǒng)，例如 NISQ（嘈雜中型量子）算法，具有約 50-100 量子比特。底層是 TFQ 將 Cirq（專門為 NISQ 打造的 Python 開源庫，讓 NISQ 的編寫、操作和優(yōu)化變得更加容易）與 TensorFlow 集成，并提供兼容現(xiàn)有 TensorFlow API 的量子計算基元和高性能量子電路模擬器，并為判別式（(Discriminative model）和生成式（Generative model）量子經(jīng)典模型的設計和實現(xiàn)提供高級抽象。
「我們希望最終發(fā)現(xiàn)可能產(chǎn)生量子優(yōu)勢的新的量子算法?！筎FQ 白皮書中寫道。
在谷歌「量子優(yōu)越性」吹起了戰(zhàn)斗的號角之后，微軟，亞馬遜都紛紛入局量子計算這一領(lǐng)域。幾天前口罩生產(chǎn)商霍尼韋爾宣布將在未來三月內(nèi)發(fā)布量子體積（Quantum Volume）最大的量子計算機，量子體積至少為 64。
極客公園此前報道過，業(yè)界普遍認為，要達到類似目前傳統(tǒng)計算機的通用計算形式，量子計算至少需要能控制 100 萬量子比特。挑戰(zhàn)在于，量子比特不像比特那樣容易控制，維持其較脆弱的狀態(tài)相當難，同時也要控制量子比特增加帶來的「噪音」問題。但是這不耽誤，人們已經(jīng)開始勾畫對未來的無限想象。通過量子計算，人們能夠更好地了解分子和原子的運作方式，隨著量子計算的發(fā)展，傳統(tǒng)機器學習中不可計算的問題將變成可能，量子機器學習模型將在金融安全，醫(yī)學治療，傳感通訊等等領(lǐng)域大有作為。
