量子计算机多快好省，“量子霸权”和打铁还有点关系（下）？

 

1.

打铁匠的工作场景大家还有没有印象？先把铁块烧的通红滚烫， 最后用水一浇，冒着青烟，这个过程就叫淬火。淬火是为了提高器件的硬度。但另一种方式叫退火，把曾经淬硬的工件，放火里锻烧，然后让他自然冷却，降低它的硬度。缓慢降温的退火是去除内部应力的一种冷却方式，也就是不让铁器轻易开裂增强韧性。

 

“退火”的神奇原理，在人工智能中居然也有重要应用。当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体到达常温时，内能达到最小，此时，粒子最为稳定。这和人工智能优化问题中，算法试图搜索最佳的参数，从而使得研究的问题取得最优值（最小值或最大值）真是不谋而合。人工智能中的模拟退火算法便应运而生！

 

2.

从物理过程来说，物理退火有加温，等温，降温过程组成，理论上最终的形态是概率为1的全局最优解。 那么如果我们在人工智能优化过程中模拟这个物理过程，也能寻找到最优解，虽然概率会小于1，但是也不失为一个很好的方法。

 

模拟退火的关键在于以一定的概率随机跳出当前的优化过程，随机取值。 系统当前的优化过程可以理解为贪心算法，始终沿着最小值的方向前进，但很可能陷于局部最优解。 这个就和物理退火过程降温太猛一样，物理形态不会最佳。模拟退火过程中，一开始，跳出当前过程的概率设置比较较大。随着时间推移，这个概率逐渐降低。这个又和物理退火中，温度越低，物理能量降低的概率越小遥相呼应。 最终，模拟退火过程时不时以一定概率跳出既定路线，从而有更大的机会得到全局的最优解。

 

3.

说了这么多，这个退火算法和量子计算机有什么关系吗？

上一篇文章中，我们讲到了量子计算机的最终应用在于量子算法。而量子算法的研究和实现不是一个通用的过程，问题得一个个的解决。幸运的是，寻找全局最优解的算法，也就是量子退火算法已经问世了。

 

寻找最佳值的优化过程对于人工智能的重要性不言而喻。这个过程可以简单想象成为：在珠穆朗玛峰山区附近，如何才能正确的找到珠峰顶部这个最佳值。假设你在一个山谷慢慢探索， 模拟退火的过程就是让你一定的概率跳到另一座小山头看看。因为老在一个山头附近溜达，只是有可能找到一个局部最高山头，而永远到达不了珠峰。而时不时一定概率跳转一下，接近珠峰的概率反而大大增加了。

 

量子退火的算法，本质上也是要让系统具有一个远离局部极值点的概率。只不过这个概率不是人为模拟的，而是完全来源量子物理现象。这就是，量子力学的隧穿效应。 打个比方，在宏观的物理世界，你要到达山峰的另一侧，你只能翻过山头。而量子世界里，系统天然有一个穿越势垒的概率。设想一个运动中的粒子遭遇到一个位势垒（山头），试图从位势垒的一边（区域 A）移动到另一边（区域 C）。经典力学里面，假若粒子所具有的能量低于位势垒的位势，这绝不可能。 而量子力学不同，这粒子可以概率性地从区域 A穿越到区域 C。 量子系统天然具有的这个概率，相当于有了第六感。从而使得寻找全局的最优值变得轻而易举。

 

 

最近半年，谷歌大出风头的量子霸权计算机，其实就是量子退火算法的实现。从这意义上讲，量子退火的确很厉害。随着研究的深入，将来会有更多的量子算法问世。通用的量子计算机也许不是梦。

 

欢迎关注公众号：