量子计算和人工智能融合如何开启新技术反派

译者 | 晶颜

审校 | 重楼

量子计算与经典人工智能的融合势无法挡！

量子计算和人工智能（AI）的融合代表了计算迷信中最有前景的前沿之一。

作为量子计算钻研迷信家，咱们正站在一个新时代的崖边，在这个新时代，量子系统的共同才干正被用于增强和减速传统的人工智能算法，而人工智能技术同时被用于优化量子电路并减轻喧闹的中等规模量子（NISQ）设备中的误差。

这种协同作用并非便捷的加法，而是乘法，为处置以前难以应答的复杂疑问开拓了新的途径。

接上去，咱们将深化讨论量子计算和传统人工智能的协同形式，及其在各个畛域发生的打破性成绩。

通常基础：量子计算原理

在深化钻研量子计算和传统人工智能之间的协同作用之前，有必要重新扫视撑持量子计算的基本原理。

量子计算机应用量子力学的原理，特意是叠加和纠缠，来口头计算。

叠加（Superposition）准许量子比特（qubits）同时以多种形态存在，使量子计算机能够并行处置少量消息。

纠缠（Entanglement），经常被爱因斯坦形容为“幽灵般的超距作用”，准许量子比特以这样一种形式相互关联，即使相隔很远，一个量子比特的形态也不能独立于其余量子比特来形容。

这些特性使量子计算机在某些类型的疑问上比经典计算机具备清楚的长处，特意是那些触及优化、量子系统模拟和某些数学运算（如分解大数）的疑问。

传统人工智能基础通常

另一方面，传统人工智能蕴含了宽泛的算法和技术，旨在使机器能够模拟与人类智能相关的认知配置。

这包括机器学习（ML），它准许系统经过阅历提高其在特定义务上的性能，以及深度学习，它经常使用多层人工神经网络来建模和处置数据中的复杂形式。

传统人工智能关键包括以下几个关键畛域：

量子-传统人工智能协同

量子计算和传统人工智能的整兼并不是两种不同技术的便捷联合，而是一种复杂的相互作用，应用每种范式的长处来克制另一种范式的局限性。

这种协同作用体如今以下几个关键畛域：

量子增强型机器学习

量子增强型机器学习（quantum -enhanced machine learning，简称QML）是指应用量子算法来提高传统机器学习义务的性能或效率。这可以经过以下方法成功：

量子启示型经典算法

量子计算的原理激起了新的经典算法，虽然不须要量子计算机运转，但应用量子启示的方法可以更有效地处置疑问：

量子计算的人工智能

人工智能技术也被运行于改良量子计算的各个方面：

混合量子-经典算法

许多的运行将量子计算和经典计算联合在一同，在下述畛域中有效地经常使用它们：

量子-人工智能协同协作的打破性成绩

本节重点探求了量子计算和传统人工智能相联合的一些打破性停顿，偏重点关注底层环节和方法。

1.减速药物发现：量子增强分子动力学模拟

量子增强者工智能最有出路的运行之一是在药物发现畛域，特意是在分子动力学模拟畛域。

环节:

疑问表述： 药物发现的应战是模拟复杂分子的行为及其与潜在候选药物的相互作用。这触及到求解多体系统的薛定谔（Schrödinger）方程，这关于处置大分子的经典计算机来说是难以计算的。

量子算法开展： 钻研人员开发了用于模拟分子动力学的量子算法，如量子变分特色求解器（VQE）和量子相位预计（QPE）。这些算法应用量子系统的自然才干来示意和操纵量子态。

混合量子-经典成功： 混合方法通罕用于以下状况：量子处置器预备和操纵代表分子构型的量子态。对这些形态启动测量以提取相关的可观测值。传统的人工智能算法，通常是机器学习模型，处置这些量子数据来识别形式，并对分子特性和相互作用做出预测。

迭代优化： 该环节触及屡次迭代，传统的人工智能组件指点在量子处置器上模拟新分子构型的选用，有效地创立一个反应回路，以改良对有宿愿的候选药物的搜查。

数据剖析和候选药物选用： 驳回先进的传统人工智能技术，如深度学习和强化学习，来剖析量子模拟发生的少量数据。这些人工智能模型可以依据预测的疗效和安保性来识别潜在的候选药物。

影响： 这种量子增强的药物发现方法曾经显示出可观的结果。例如，Menten AI的钻研人员曾经经常使用混合量子经典算法来设计新的蛋白质，展现了大大放慢药物发现环节的后劲。更准确地模拟大规模分子相互作用的才干或许会缩小将新药推向市场的期间和老本，并节俭数十亿美元。

2.优化财务模型：量子增强蒙特卡罗方法

金融行业正在应用量子与人工智能的协同作用来增强复杂的金融建模，特意是在用于风险评价和投资组合优化的蒙特卡洛模拟畛域。

环节:

疑问表述： 许多金融模型，例如那些用于期权定价或风险评价的模型，依赖于蒙特卡罗模拟，这触及到生成和剖析少量随机场景。

量子算法的开展： 用于蒙特卡罗模拟的量子算法，如量子振幅预计，曾经获取了开展。在到达给定精度所需的样本数量方面，这些算法可以提供比经典蒙特卡罗方法二次倍的减速。

混分解功： 量子处置器用于口头外围采样环节，应用量子叠加同时探求多种场景。而后将量子采样的结果输入传统的人工智能模型，通常是机器学习算法，用于剖析和解释。

人工智能驱动的优化： 机器学习模型（如神经网络或支持向量机）在量子生成的数据上启动训练，以识别形式并做出预测。随着可用的数据越来越多，这些模型可以顺应并改良它们的性能。

实时剖析： 量子减速采样和人工智能驱动剖析的联合准许对金融模型启动近乎实时的降级，从而成功更快的买卖战略大风险治理。

影响： 这种量子增强的金融建模方法可以成功更准确的风险评价、更好的投资组合优化和更灵便的买卖战略。例如，高盛（Goldman Sachs）和QC Ware曾经展现了量子算法，可以清楚放慢衍生品定价的蒙特卡罗模拟，或许会带来更高效、更稳固的金融市场。

3.增强网络安保：抗量子明码学和人工智能驱动的要挟检测

量子计算和人工智能的联合在开发抗量子加密方法和增强要挟检测才干方面正在彻底扭转网络安保畛域。

环节:

抗量子明码学的开展： 钻研人员正在开发新的加密算法，这些算法可以抵制量子计算机和经典计算机的，例如基于格（lattice-based）和基于哈希的明码学。量子密钥散发（QKD）系统正在开发，以成功通常上不受窃听的安保通讯。

人工智能增强明码剖析： 机器学习模型正在接受少量加密流量数据集的训练，以识别或许标明潜在或的形式和意外。这些人工智能模型可以顺应新的类型和加密方法，为始终变动的要挟提供灵活进攻。

量子增强网络监控： 量子传感器可用于检测或许标明安保或数据暴露希图的超弱信号。来自这些量子传感器的数据由人工智能算法处置，以实时识别和分类潜在要挟。

混合量子-经典要挟模拟： 量子计算机用于模拟经典模型无法成功的复杂场景。人工智能算法剖析这些模拟，以制订和完善进攻战略。

继续学习和顺应： 系统的人工智能组件始终重新数据和模拟中学习，降级他们的模型，以坚持上游于新发生的要挟。这种自顺应方法准许安保系统随着期间的推移而开展和改良，而不是依赖于静态进攻。

影响： 这种量子人工智能网络安保方法正在发明一种主动而非主动的新范式。例如，洛斯阿拉莫斯国度试验室（Los Alamos National Laboratory）的钻研人员展现了一种基于量子的网络安保系统，该系统可以检测和转移量子级，有或许在网络形成侵害之前阻止它们。在量子时代，这项技术关于包全关键基础设备和敏感数据至关关键。

4.反派性的气象模型：量子增强地球系统模拟

气象变动是咱们这个时代最紧迫的疑问之一，准确的气象模型关于制订有效的缓解战略至关关键。量子计算和人工智能的联合极大地提高了咱们模拟和预测气象形式的才干。

环节:

疑问表述： 地球系统模型触及大气、陆地、陆地外表和冰之间复杂的非线性相互作用。由于计算的限度，传统的建模方法难以在高分辨率下捕捉这些相互作用。

量子算法的开展： 钻研人员曾经开发了流体动力学模拟和求解偏微分方程的量子算法，这些都是气象模型的关键组成部分。

混合量子-经典成功： 量子处置器用于模拟气象系统中计算最密集的方面，如大气和陆地动力学。这些量子模拟与地球系统模型的经典组件集成在一同。人工智能算法，特意是深度学习模型，用于剖析量子经典模拟的输入并识别形式和趋向。

多尺度建模： 量子人工智能方法准许在不同尺度上——从环球气象形式到区域和部分影响——无缝集成模拟。

数据异化和预测： 经常使用机器学习技术将观测数据异化到模型中，始终提高其准确性。人工智能驱动的预测模型经常使用量子增强模拟的输入来启动短期和常年气象预测。

不确定性量化： 不确定性量化的量子算法与经典统计方法相联合，以提供对气象预测不确定性更牢靠的预计。

影响： 这种增强的建模才干正在为决策者和迷信家提供无关气象变动的更准确和具体的消息。例如，芝加哥大学（University of Chicago）和阿贡国度试验室（Argonne National Laboratory）的钻研人员曾经展现了求解偏微分方程的量子算法，这种算法可以清楚减速气象模拟。这有助于制订更有效地减紧张顺应气象变动的战略，进而或许扭转环球环境政策的进程。

5.资料迷信改革：量子人工智能驱动的资料发现

传统意义上，新资料的开发是一个耗时且往往是偶然的环节。但是，量子计算和人工智能的联合正在迎来一个理性资料设计的新时代。

环节:

资料的量子模拟： 思考到量子模拟可以应用共同的量子效应来胜任经典计算机难以处置的复杂疑问，量子计算机可被用于在原子和亚原子水平上模拟资料的行为。

人工智能驱动的剖析和预测： 机器学习模型，特意是深度神经网络，在量子模拟的结果上启动训练，以预测潜在新资料的特性。这些人工智能模型可以极速挑选少量或许的资料组成和结构，确定有出路的候选资料进后退一步钻研。

逆向设计： 人工智能算法用于处置资料设计的逆向疑问，从所需的特性开局，向后回溯，以确定或许体现出这些特性的潜在结构。

量子经典反应回路： 人工智能预测指点选用在量子计算机上模拟的新资料。这些模拟的结果真后反应到人工智能模型中，始终提高它们的准确性和预测才干。

试验验证和改良： 量子人工智能系统确定的最有宿愿的候选者启动分解和试验测试。这些试验的结果被用来进一步完善量子模拟和人工智能模型，发明一个良性循环的改良。

多指标优化： 先进的人工智能技术（如强化学习和多指标退化算法）可用于同时优化资料的多种（通常是相互竞争的）特性。

影响： 这种方法正在减速发现具备特定希冀性能的新资料。例如，多伦多大学和谷歌的钻研人员将量子计算和机器学习相联合，发现了用于量子设备的新型磁性资料。这种由量子人工智能驱动的资料迷信方法可以扭转从动力到航空航天的行业，从而开收回更高效的太阳能电池、更坚挺、更轻的结构资料和新型量子设备。

量子人工智能的应战和未来前景

虽然量子计算和传统人工智能的联合发生了令人印象深入的结果，但依然存在下述诸多应战：

不过，虽然存在这些应战，量子增强者工智能的未来前景仍是十分黑暗的。随着量子配件的始终改良和新算法的开发，咱们可以等候看到更多打破性的运行。

未来打破性运行

未来钻研的一些特意感兴味的畛域包括：

论断

量子计算和传统人工智能的融合代表了当今计算迷信中最令人兴奋的前沿之一。

经过联合两种范式的共同长处——量子计算机有效处置某些类别疑问的才干，以及人工智能的形式识别和学习才干——咱们正在开拓曾经被以为无法企及的新或许性。

作为处于这场反派前沿的量子计算钻研迷信家，他们的义务是开发算法、配件和通常框架，以更好地塑造计算的未来。

咱们上述所讨论的打破——从减速药物发现到反派性的气象模型——只是计算迷信改革时代的开局。量子计算和传统人工智能之间的协同作用不只在扭转技术；它正在扭转咱们对或许性的了解。

咱们正在走向这样一个未来：人类面临的一些最紧迫的应战——从疾病到气象变动再到资源治理——能够以史无前例的速度和精度获取处置。

但是，成功这一后劲须要跨学科的继续协作。量子物理学家、计算机迷信家、数学家和各个畛域的专家必定共同致力，开发能够应用量子增强者工智才干量的实践运行。

此外，咱们必定牢记这些弱小技术的伦理影响，确保担任任地开发和部署它们。

展望未来，很清楚，量子人工智能反派才刚刚开局。

令人兴奋的未来开展

后记

量子计算和传统人工智能的融合代表了计算迷信的一个新前沿，它有望重新定义咱们对周围环球的计算、预测和了解的极限。

量子计算钻研迷信家有特权也有责任塑造这个未来。经过始终打破或许性的界限，他们可以协助解开环球上一些最紧迫疑问的处置打算，并开拓迷信探求的新途径。

未来的旅程充溢应战，但也十分令人兴奋。它须要发明力、谨严的迷信探求以及应战现有范式的志愿。

随着咱们继续探求量子计算和传统人工智能之间的协同作用，咱们不只仅是在推进技术，咱们还在扩小孩儿类常识和才干的前沿。

原文题目：，作者：Thomas Cherickal