關於 AI 能源消耗的擔憂促使許多人在尋找降低其功耗的方法。大多數方案都集中在現有技術的硬體和軟體延伸上。但也有一些技術走得更遠，量子計算就是其中之一。

在某些方面，量子硬體比傳統硬體更適合支撐 AI 的底層數學運算。雖然目前的量子硬體對於複雜的 AI 模型來說錯誤率還是太高，但研究人員已經開始為未來硬體成熟時運行 AI 模型做準備。本週，一些商業機構發佈了一份論文草案，描述了如何將經典圖像數據輸入量子處理器 (實際上是兩種不同的處理器) 並執行基礎的 AI 圖像分類。

這給了我們一個絕佳的機會來討論為什麼量子 AI 不僅僅是炒作。

機器學習走向量子化

正如 AI 領域包含多種機器學習技術一樣，利用量子計算執行 AI 演演算法某些環節也有多種方式。有些僅僅是數學問題；例如某些形式的機器學習需要大量矩陣運算，這在量子硬體上可以高效完成。(這裡有一篇很好的綜述，介紹了量子硬體可能如何助力機器學習。)

量子硬體在某些方面確實能很好地匹配 AI 需求。在傳統計算硬體上運行 AI 的一大挑戰是處理器和記憶體是分離的。運行神經網路時需要反覆訪問記憶體，以查找人工神經元的信號該發送到哪裡以及每個信號應該賦予什麼權重。這造成了主要瓶頸。

量子計算機沒有這種分離。雖然它們可以包含一些量子記憶體，但數據通常直接存儲在量子比特中，而計算則涉及直接對量子比特本身執行操作 (稱為門操作)。事實上，已經有研究表明，對於監督學習來說，即系統可以通過預先分類的數據進行訓練來學習對專案進行分類，即使處理的數據存儲在經典硬體上，量子系統也可以超越經典系統。

這種形式的機器學習依賴於所謂的變分量子電路。這是一種兩量子比特門操作，它需要一個額外的因數，該因數可以保存在硬體的經典部分，並通過觸發門操作的控制信號傳遞給量子比特。你可以將其類比為神經網路中的通信，其中兩量子比特門操作相當於兩個人工神經元之間的信息傳遞，而因數則類似於信號的權重。

這正是本田研究所的團隊與量子軟體公司 Blue Qubit 合作研究的系統。

從圖元到量子比特

這項新研究主要集中在如何將經典世界的數據輸入量子系統進行分類。研究人員最終在兩種不同的量子處理器上測試了結果。

他們測試的問題是圖像分類。原始數據來自本田場景數據集，這些數據來自在北加州約 80 小時的駕駛記錄；圖像都標註了場景中的內容資訊。研究人員希望機器學習處理一個簡單的問題：場景中是否在下雪？

所有圖像當然都存儲在經典硬體上。要在量子硬體上分類圖像，就必須將其轉換為量子信息進行處理。團隊嘗試了三種數據編碼方法，這些方法在圖像圖元的切片方式和將結果片段發送到多少量子比特方面有所不同。研究人員使用量子處理器的經典模擬器進行訓練步驟，以確定在兩量子比特門操作期間使用的適當數值——這類似於神經網路中的權重。

然後他們在兩種不同的量子處理器上運行硬體。一個來自 IBM，有很多量子比特 (156 個)，但門操作期間的錯誤率略高。第二個來自 Quantinuum，以門操作期間的極低錯誤率著稱，但只有 56 個量子比特。總的來說，隨著研究人員使用更多量子比特或運行更多門操作，分類的準確率就會提高。

總體而言，系統運行良好；準確率遠高於隨機猜測的預期水準。同時，它們通常低於在普通硬體上運行標準演演算法的結果。我們仍未達到現有硬體既有足夠的量子比特又有足夠低的錯誤率以與經典硬體競爭的程度。不過，這項工作清楚地表明，現實世界的量子硬體能夠運行人們期望的那種 AI 算法。但與其他人一樣，希望解決實際問題的人們將不得不等待硬體方面的進一步改進。