跳到正文
EN

13.9

量子机器学习简介

「量子 + AI」是新闻里最响亮的组合词。这一节做一次清醒的拆解：变分线路和量子核方法是真实的研究方向，取数据瓶颈与贫瘠高原是真实的拦路虎——最后，回望整条阶梯。

建议先掌握

学完本节你应该能

  • 说出变分量子线路的工作方式，及其与第 7 章变分法的直接血缘
  • 用取数据瓶颈与贫瘠高原两个论证，解释为什么「指数加速」的口号要打折扣
  • 形成一套评估任何量子机器学习提案的清单

「量子计算 × 人工智能」——过去十年科技新闻里没有比这更闪亮的组合。 两个各自被寄予厚望的领域相乘，听起来应该指数级地厉害。

这一节反其道而行：不推销，做尽职调查。 这个领域里什么是货真价实的物理、什么是尚未兑现的期票、 什么是把两个流行词钉在一起的营销——用你学过的工具，一项项拆开看。 作为全书最后一节，这也是一次总演习：判断前沿宣称的真伪， 恰恰最需要基本功。

实质之一：变分量子线路——变分法的电路化身

当前绝大多数「量子机器学习」实验的骨架是变分量子线路（VQC）， 配方你其实早就学过（7.3 节）：

  1. 搭一个带旋钮的量子线路：单比特旋转门的角度 θ⃗=(θ1,…,θM)\vec\theta=(\theta_1,\dots,\theta_M) 是可调参数，中间穿插纠缠门（9.2 节）；
  2. 线路把初态 ∣0⋯0⟩\ket{0\cdots0} 变成试探态 ∣ψ(θ⃗)⟩\ket{\psi(\vec\theta)}；
  3. 测量一个代价函数——求分子基态时就是能量 E(θ⃗)=⟨ψ(θ⃗)|H^∣ψ(θ⃗)⟩E(\vec\theta)=\braket{\psi(\vec\theta)}{\hat H|\psi(\vec\theta)}；
  4. 经典计算机根据测量结果更新 θ⃗\vec\theta，回到第 2 步。

这就是变分法：试探波函数从「纸上的公式」换成了「电路制备的态」， 最小化交给经典优化器，形成量子—经典混合循环。求解化学分子的版本叫 VQE， 2017 年起在真机上算过氢化锂、水分子等小体系；把代价函数换成分类损失， 线路就成了「量子神经网络」。物理是端正的——变分原理保证 E(θ⃗)≥E0E(\vec\theta)\ge E_0 永远成立，硬件噪声只会让上界松，不会骗你越过下界。

问题在于两个字：规模。它能否在有意义的问题上胜过经典方法？ 这就撞上了下面两堵墙。

拦路虎之一：取数据瓶颈

量子机器学习最诱人的口号：nn 个比特的态矢量有 2n2^n 个振幅， 把数据编码进振幅（振幅编码），n=30n=30 个比特就能「装下」十亿维向量—— 指数压缩！随后的线性代数运算（如著名的 HHL 解线性方程组算法） 理论上有指数加速。

量级估算：数据装进去要多少门？答案取出来要多少次测量？基础~8 min

进门的代价。 振幅编码要把 N=2nN=2^n 个给定的经典数 (x1,…,xN)(x_1,\dots,x_N) 做成态 ∑jxj∣j⟩\sum_j x_j\ket{j}。制备一个一般的 nn 比特态需要多少个基本门？

数自由度就知道下限：目标态有 2n2^n 个独立振幅要指定， 而每个基本门只带 O(1)O(1) 个连续参数。要让线路的参数个数追上振幅个数， 门数至少

G≳2nO(1)∼2n(13.9.1)G\gtrsim\frac{2^n}{O(1)}\sim2^n\tag{13.9.1}

（严格的计数论证给出的正是 Θ(2n)\Theta(2^n)。）也就是说： 装载 NN 个一般数据的时间 ∼N\sim N——和经典计算机把数组读一遍一样贵。 后续运算再快，O(N)O(N) 的装载费已经把「指数加速」吃掉了。 指数优势要想幸存，只剩两类出路：数据有特殊结构可以廉价制备， 或者存在尚属假设的量子随机存取存储器（QRAM）——它本身的物理实现仍无定论。

出门的代价。 计算结束时答案是态 ∣ψ⟩\ket{\psi} 的 2n2^n 个振幅—— 但测量一次只塌缩出 nn 个经典比特（3.8 节）。 想把某个振幅读到精度 ϵ\epsilon，Born 统计要求重复制备并测量 ∼1/ϵ2\sim1/\epsilon^2 次。 把整个向量读出来？2n2^n 个振幅各来一遍——指数时间，加速再次清零。 可行的用法只有一种：只问态的少数几个整体性质（一个期望值、一次交叠）， 永远不要求完整答案。

结论。 评估任何量子机器学习提案，先问两个海关问题： 经典数据怎么进去？答案怎么出来？ 2018 年 Tang 的「去量子化」结果 是这条原则的著名注脚：给经典算法同样宽松的数据访问假设后， 推荐系统等一批「指数加速」的量子算法被多项式的经典算法追平—— 原先的优势一半来自量子，一半来自不对等的记账方式。

拦路虎之二：贫瘠高原

变分线路还有一个内伤。训练靠梯度 ∂E/∂θk\partial E/\partial\theta_k， 而可以证明（McClean 等，2018）：对足够深、足够随机的线路， 梯度的均值为零、方差随比特数指数衰减：

Var⁡[∂E∂θk]∼12n(13.9.2)\operatorname{Var}\left[\frac{\partial E}{\partial\theta_k}\right]\sim\frac{1}{2^n}\tag{13.9.2}

代价函数的地貌变成一片指数平坦的高原——贫瘠高原（barren plateau）。 麻烦在于测量是有散粒噪声的：分辨大小为 gg 的梯度需要 ∼1/g2\sim1/g^2 次采样， g∼2−n/2g\sim2^{-n/2} 意味着每走一步梯度下降要 ∼2n\sim2^n 次测量—— 指数训练成本，问题还没解决就先输在起跑线。物理直觉：随机深线路把态 搅进 2n2^n 维希尔伯特空间的茫茫深处，任何局域观测量对单个参数都麻木不仁。 出路是不让线路「太随机」：浅线路、有物理含义的拟设（如化学里按耦合簇结构搭）、 利用对称性收缩搜索空间——但近期一系列分析表明，恰恰是这些「可训练」的结构化线路， 往往又落入经典可模拟的范围。可训练性与量子优势之间的这道窄门， 是该领域当前最诚实的问题表述。

那么，实质到底剩下什么

量子核方法提供了第二种思路：不训练量子线路，只用它把数据点映射成 量子态 x↦∣ϕ(x)⟩x\mapsto\ket{\phi(x)}，测两态交叠 ∣⟨ϕ(x)|ϕ(x′)⟩∣2|\braket{\phi(x)}{\phi(x')}|^2 当作 核函数喂给经典支持向量机。对特殊构造的问题（基于离散对数难度）， 已有严格证明的量子优势——原则性的存在性证明成立； 但对自然产生的数据集，尚无证据表明量子核优于精心挑选的经典核。

综合的清醒评估：

  • 短期最有希望的应用对象是量子数据本身——量子模拟器、量子传感器的 输出天然就是量子态，没有取数据瓶颈；已有理论与实验（2022）表明， 对量子实验数据的某些学习任务存在指数优势。「量子机器学量子」比「量子机器学经典数据」健康得多。
  • 经典数据上的量子优势尚未被演示，且取数据瓶颈、贫瘠高原、 去量子化三面夹击之下，短期不宜指望。
  • 该领域的价值一部分在算法本身，一部分在倒逼经典算法进步 （去量子化产出了新的经典算法），这在科学上并不丢人。

本节关键公式

  • 变分量子线路

    E(θ⃗)=⟨ψ(θ⃗)|H^∣ψ(θ⃗)⟩≥E0E(\vec\theta)=\braket{\psi(\vec\theta)}{\hat H|\psi(\vec\theta)}\ge E_0

    第 7 章变分法的电路化；量子备态测量 + 经典更新参数

  • 取数据瓶颈

    一般态制备门数 Θ(2n) ⟺ O(N)\text{一般态制备门数}\ \Theta(2^n)\ \Longleftrightarrow\ O(N)

    装载一般经典数据的成本抵消指数加速；读出完整向量同样指数贵

  • 贫瘠高原

    Var⁡[∂θE]∼2−n\operatorname{Var}\big[\partial_{\theta}E\big]\sim2^{-n}

    深随机线路梯度指数消失；分辨梯度需 ~2ⁿ 次测量

  • 量子核

    K(x,x′)=∣⟨ϕ(x)|ϕ(x′)⟩∣2K(x,x')=|\braket{\phi(x)}{\phi(x')}|^2

    特殊构造问题有可证优势；自然数据上尚无胜绩

自测共 3 题

  1. 1.

    用振幅编码把一个 1024 维的经典向量装进量子态，最少需要多少个量子比特？

    个允许 0% 相对误差
  2. 2.

    「贫瘠高原」指的是：

  3. 3.

    对量子机器学习现状的清醒评估，下列哪些说法成立？（多选）

    多选题

回望整条阶梯

这是全书正文的最后一页。回头看看你爬过的台阶：

从黑体辐射的紫外灾难（第 1 章）出发， 你学会了让波函数承载概率（第 2 章），把它抽象成希尔伯特空间中的矢量（第 3 章）， 解出了势阱、谐振子与氢原子（第 4–6 章），在解不动的地方学会近似（第 7 章）， 让粒子变得不可分辨（第 8 章），把叠加与纠缠锻造成信息资源（第 9 章）， 承认没有系统是孤岛（第 10 章），换上路径积分的眼睛（第 11 章）， 又让量子力学与相对论握手（第 12 章）。而这一章你看到：同一套工具， 正在解释拓扑材料的整数、驱动纳开尔文的人造晶体、支撑芯片上的人造原子、 估算黑洞的温度、审计新闻稿里的量子承诺。

你没有学完量子力学——没有人学完过。 但你已经跨过了那道真正的门槛： 从「读别人转述」到「读原始文献」。本章每节末尾列的综述与讲义， 用的都是你已经会的语言；arXiv 上 quant-ph 分区每天更新的预印本， 方法部分对你不再是天书。挑一个让你在某一节停下来多想了五分钟的方向， 找到它的综述，读进去。会者不难——而你，已经是会的人了。

祝你在希尔伯特空间里，一路好风景。

（更多进阶读物与文献入口，见附录 D。）

全站第 98 / 106 节 · 用 ← → 翻页