一、介绍

        你好！这里介绍全新知识--量子计算。在这里，我打算撰写和分享有关量子机器学习（QML）的文章。

        我第一次听说量子计算是在2015年，当时我正在分析我的博士论文的可能性，我的前老板和导师告诉我研究这个主题的可能性。当时，我想研究一些更应用的东西，而量子计算似乎太理论化了，离我的现实很远，所以我选择更多地研究油船动态定位系统建模的建模，这是一次有趣的旅程。但我现在的一部分在想：如果我选择量子计算会怎样？

        在过去的几个月里，我开始阅读量子计算，更具体地说是QML。从那以后，我对这个主题非常感兴趣，我有一个疯狂的猜测，数据科学的未来可能与量子计算有关。

三、为什么你应该开始学习QML

量子计算在最基本的概念上与经典计算有很大不同。后者基于数字比特，而前者基于量子比特（量子比特）。

在经典计算中，数字位基于两种状态 0 和 1 构建。一个数字位只能有0或1作为它的状态，众所周知，它是二进制的。从物理上讲，经典位可以在电路中使用电压计进行测量，当电压差为零时，位状态为0，当该差为5V（或3.3V，取决于电路）时，我们的状态为1。一位本身似乎不是一个强大的工具，但是当我们开始使用更多的比特时，情况会变得更好，因为这样我们就可以构建非常强大的设备，例如我们的计算机。

量子比特有一个更复杂的解释。在量子力学中，基本粒子有一些性质，其中之一就是自旋。例如，让我们专注于电子，但这个概念可以扩展到其他粒子。电子绕轴旋转，因此它可以上下两个不同的方向旋转。

图1 - 旋转的可能方向

        我们将这些方向命名为 0 和 1。这似乎是经典的，对吧？现在我们从差异开始：在经典计算中，我可以用一个伏特来测量比特的状态，而在量子力学中，情况完全不同，因为现在事件是概率性的。事实上，一个量子比特有一定的概率处于 0 或 1 的状态，这意味着我们并不总是确定我们的量子比特处于哪种状态（如果我们测量量子比特，有时它会是 1 或 0，具体取决于概率）！乍一看这很麻烦，但这是量子计算的魅力之一，量子比特更强大，因为它可以存储更多信息！如果我们在状态 100 或 0 中以 1% 的概率工作，它可以作为经典位工作，但真正的交易是使用叠加，这是一种混合状态，其中量子比特有一定的概率处于状态 0 或 1，并且这些概率的总和必须是 1 （100%）。使用一点数学，一个量子比特系统中的量子态可以表示为：

哪里：

        这些是什么 |>呢？这些是量子计算的基本符号，bra （<|） 和 ket （|>），其中量子态是 ket （nx1），bra （1xn） 是其转置共轭。bra-ket 是 bra 和 ket 之间的矩阵乘法，并得到一个标量（又名内积），而 ket-bra 是一个维度为 nxn 的矩阵，可能代表一个量子门，但这是以后的文章。

        在这里，我说量子态可以表示为状态 0 的 α 倍加上状态 1 的β倍，其中 α 和 β 是复数，上面的约束对概率进行了建模。

        因此，我认为QML将成为一件大事的第一个原因是：量子计算的核心是基于概率事件，这是ML模型的核心。

        此外，当我们使用多个量子比特时，事情变得更加有趣，因为我们可以纠缠量子比特！但这是什么？

        想象一下，我们现在有 2 个量子比特，那么我们有四种可能的状态：

        |00>、|01>、|10> 和 |11>

        现在我们可以通过以下方式编写一个通用量子态：

        这里：

        所以，现在我们的量子态是四个基本量子态的线性组合（还记得线性代数要求吗？）和每个状态的归属概率总和1。

        但是现在，有了 2 个量子比特，我们可以设计一个量子电路，我们可以在其中纠缠每个量子比特的状态。那是什么？我的第一个量子比特的自旋旋转将取决于我的第二个量子比特，反之亦然，也就是说，电子的自旋态不再是独立的状态！我现在不会谈论量子电路，因为它可能太多了。

        我所说的只是针对 1 和 2 量子比特系统，你有没有注意到我们可以用 2 量子比特系统做更多的事情，而不是用 2 个数字比特系统做更多的事情？

        现在我可以说第二点，为什么我认为QML将是巨大的：我们可以在小量子比特系统中处理更多信息（与经典比特相比）并构建有趣的模型。

        继续这个论点，一个 n 量子比特系统有 2^n 个可能的状态，这些状态可能处于叠加和/或纠缠状态，这已经导致了我的第三点，这是第二点的结果：在最好的情况下，量子计算算法可以提供指数级的加速与等效的经典计算算法相比。

        这是巨大的，对吧？但实际上事情很棘手，因为并非每种算法都会发生这种情况，在某些情况下，经典计算机仍然更快。此外，我们在量子硬件方面仍在进步，因此我们的量子计算机在量子比特数量上仍然受到限制（但发展很快），并且大多数计算机都有些嘈杂，这干扰了计算的质量。

        到目前为止，我只是谈到了量子计算，QML呢？好吧，量子计算似乎是使用机器学习的一个非常有前途的框架，但我们仍然不确定使用它的最佳方式是什么。首先是因为这是一个非常新的研究领域，其次是因为我们在使用量子计算方面仍然存在一些限制（我必须在 Python 上使用量子设备模拟器）。但是有很多研究正在进行中，我认为我们找到使用QML的最佳方式只是时间问题，当这种情况发生时，人工智能的新革命将开始。这是开始研究QML的最后一个也是最重要的原因。

        在我的下一篇文章中，我将讨论如何根据我的学习旅程开始学习QML。

一些阅读材料（不是很正式的）：

量子态：https://en.wikipedia.org/wiki/Quantum_state

量子计算的挑战：The challenges of Quantum Computing - Universal Group Of Institutions

量子加速：Quantum speedups for unstructured problems: Solving two twenty-year-old problems - Microsoft Research