科学家提出超越传统机器学习的量子算法

来自瑞士、英国和新加坡的科学家提出了一种新的量子算法，其进行数据分析的速度可超越传统机器学习算法，相关成果已发表在《物理评论快报》上。

计算机“思考”的一种方法是分析大型数据集之间的关系。新加坡国立大学量子技术中心（Centre for Quantum Technologies，CQT）的研究人员证明了量子计算机比经典计算机能更快地进行这类分析，分析的数据类型也比以前预期的更广。

该研究团队提出的“量子线性系统算法”在2月2日出版的《物理评论快报》（Physical Review Letters）上发表。将来，该算法能帮助处理各类问题的数字，涵盖商品定价、社交网络和化学结构。

研究人员表示先前的量子算法适用于很具体的问题类型，如果希望处理其他数据的速度也能提高到量子速度，那就需要升级。这正是该研究团队提供的东西。首个量子线性系统算法是由另一研究团队于2009年提出。这一算法开启了量子形式人工智能或机器学习的研究。

线性系统算法适用于大数据矩阵。例如，交易员会试着预测商品的未来价格。该矩阵可以捕捉价格随时间变化的历史数据以及可能影响价格的特征数据，例如货币汇率。线性系统算法通过“倒置”矩阵来计算各种特征之间的相互关联强弱。后续可利用该信息来推断未来。“分析矩阵涉及了很多计算。例如，如果矩阵的条目超过10000*10000，对经典计算机就很难了。”研究人员解释道。这是因为计算步骤数量随着矩阵中元素数量增大而迅速增加，矩阵规模一翻倍，会让计算长度增加八倍。

2009年的算法可以更好地应对较大的矩阵，但是前提是矩阵中的数据是所谓的“稀疏”数据。在这种情况下，各元素之间的关系受限，通常并不是真正的真实世界数据。

研究人员提出的新算法比经典算法和之前的量子算法版本更快，对其处理的数据类型没有限制。粗略来说，对于一个10000的方矩阵，经典算法需要进行约一兆步计算，第一种量子算法需数万步，而新的量子算法只需数百步。该算法以“量子奇异值估算”（quantum singular value estimation）技术为基础。

已有一些早期量子线性系统算法用于小规模量子计算机的理论验证研究。该研究团队希望与实验团队合作，对他们的算法也进行理论验证研究。他们还希望对实施该算法所需的工作进行完全分析，发现可能存在的间接成本。

要展示出与经典算法相比所具有的真正量子优点，还需要更大型的量子计算机。研究人员估计，“要能真正地利用实验家构建的硬件来进行有意义的量子计算并应用于人工智能，还需要三到五年的时间。”