人工智慧和機器學習
在當今人工智慧中，起到核心作用的便是深度神經網絡。神經網絡通過獲取信息、通過一系列人工神經元處理信息並產生輸出來模擬我們大腦的工作方式（如下圖所示）。
傳統神經網絡示意圖
當大家都熟悉傳統神經網絡的時候，一種名為量子機器學習的東西開始進入大家視野，並有可能成為未來的趨勢。
量子計算
量子計算是一項有潛力將人工智慧提升到下一個水平的創新技術。量子計算機利用量子力學的特性來處理信息。傳統的計算機以比特來編碼信息，比特的值可以是0或1。相比之下，量子計算機用量子比特來編碼信息。就像比特一樣，量子比特可以取0或1的值。然而，一個量子比特可以同時呈現多個狀態，這是一個被稱為疊加的量子概念。因此，兩個量子比特可以是四種可能狀態中的任何一種:01、11、10或00。一般來說，n個量子比特可以代表2^n個不同的狀態。這種(非常簡化的)疊加概念使量子計算機比傳統計算機強大得多。它們可以用更少的計算能力表示更多的信息。
傳統比特和量子比特對比
量子機器學習
神經網絡的一個主要難題是訓練它們做決定的時間。由於缺乏計算能力，花幾周甚至幾個月的時間來訓練一個神經網絡並不罕見。如果有一種方法可以利用量子計算的力量來加速訓練過程，讓這些複雜的網絡變得可行呢?
量子機器學習（Quantum ML）就像它聽起來的那樣，是機器學習和量子計算的交集。Quantum ML的目標是利用量子計算機的能力，以比傳統計算機快得多的速度處理信息。然而，它並不像將現有的代碼從CPU傳輸到量子處理器那麼簡單。首先，代碼是需要能夠說量子比特的量子語言。今天關於Quantum ML的許多工作都試圖解決這個問題。
量子神經網絡(QNNs)
理論方法
功能性神經網絡是人工智慧的一大進步。然而，現有的神經網絡還不能駕馭量子計算機的力量。創建工作QNN的第一步是對單個量子神經元建模。
讓我們來看看量子神經元是如何表示的，以及QNNs與傳統神經網絡的比較。既然對量子力學有不同的解釋，就有不同的方式來表示一個量子神經元。其中一種解釋是多元世界解釋。簡而言之，這一理論認為存在許多平行宇宙，每一個都同時呈現出每一個可能的歷史和未來。
多世界的解釋提供了QNN應該如何表現的洞察力。就像傳統的神經網絡模仿人腦一樣，QNN也可以模仿量子物理。賓夕法尼亞州立大學的研究人員利用這一解釋開發了一種構建QNNs的方法。
傳統的神經網絡使用單一的網絡來存儲多種模式。如果QNNs使用許多網絡來存儲許多模式，就像有許多包含許多實相的宇宙一樣，那會怎樣呢?量子疊加可以使這成為可能。記住，疊加意味著一個量子位可以同時處於多個狀態。將這個類比擴展到神經網絡，在理論上，一個QNN能夠將所有可能的模式同時存儲在疊加中。因此，網絡中的每個模式都代表它自己的平行宇宙。
這是眾多QNNs理論框架之一。表示多個平行宇宙的QNN的實際實現還不可行。然而，建立單個量子神經元的模型是可能的。
實現
根據《麻省理工學院技術評論》，義大利帕維亞大學的一個研究團隊於2018年在量子計算機上實現了世界上第一個單層神經網絡(如下圖所示)。
人工神經元的經典模型(a)和量子處理器上人工神經元的量子實現(b)
在具有單個神經元(a)的經典神經網絡中，輸出是通過激活函數將輸入向量映射到二進位輸出的加權和。在抽象層面上，QNN的功能是相同的，但在量子處理器上的實現是不同的。量子網絡的第一層將輸入向量編碼成量子態。然後，第二層對輸入進行么正變換，類似於經典神經網絡中的權向量的工作方式。你可以把酉變換想像成計算機把比特轉換成量子比特。最後生成最終的輸出。
在量子處理器上實現么正變換是複雜的(b)。在高層次上，輸入通過一系列門，這些門是量子電路的一部分。這些門模仿傳統神經網絡的權重向量。
這個模型能夠準確地模擬單個神經元的行為。然而，它還沒有擴展到一個由多層神經元組成的深度神經網絡。像這樣的單層模型能夠識別簡單的模式，但是還不能擴展。這是在量子硬體上有效訓練QNNs的第一步，也是實現神經網絡的多世界解釋的第一步。
QNNs的好處
QNNs看起來非常複雜，難以理解。但是有一個很好的理由去探索它們。根據賓州州立大學的研究團隊，QNNs與傳統神經網絡相比有很多優勢，包括:
- 指數內存容量隱藏神經元數目越少，表現越好
- 更快的學習處理速度(1010比特/秒)
- 小尺度(1011個神經元/mm3)
- 更高的穩定性和可靠性
這些優點解決了傳統神經網絡的大部分局限性。目前，為了實現一個功能完備的QNN，人們正在做很多努力。
現在，QNNs更多地處於胎兒期，而非青春期。谷歌人工智慧和其他人正在進行的研究有助於為量子ML空間的未來工作奠定基礎。QNNs的未來應用是不確定的，而且可能太抽象以至於大多數人無法理解。但可以肯定的是，無處不在的量子ML即將問世，人們很容易對它的前景感到興奮。