量子计算机和量子力学有什么关系
原作： Reena Shaw
安妮从KDnuggets编译的
量子出品|公衆番号QbitAI
量子机器学习是量子力学和机器学习的交叉学科。
两者存在共生关系，我们可以利用量子计算的力量产生机器学习算法的量子版本，使用经典的机器学习算法分析量子系统。
在本文中，计算机科学硕士Reena Shaw将通过常用的语言和形象比喻进入量子机器学习。
本文作者Reena Shaw
在2017年的微软ignite大会上，微软ceosatyanadella用玉米迷宫的图像比喻说明了经典计算机和量子计算机的区别——
为了找到迷宫的出口，经典的计算机首先打开搜索路径，遇到障碍物后沿着原路返回。
之后，再次探索新的道路，直到有障碍回来或找到正确的出口。
最终会得到一个结果，但这个方法需要相当长的时间。
相比之下，量子计算机“解锁了不可思议的并行性。
我在找玉米迷宫里所有的路。
因此，量子计算机可以按指数减少解决问题的步骤。
这种并行性来源于量子物理中的“量子比特”、“叠加”、“纠缠”等理论。
其中不可思议的地方不仅如此，还要继续往下看。
量子计算量子
量子是任何物理实体的最小可能单位。
1900年，德国物理学家、量子力学创始人马克斯普朗克在原子和亚原子层面提出，一个物体的能量包含在称为量子的离散包中。
波粒二象性是量子粒子的特征，微观粒子基于不同的环境，有时表现出波动性，有时表现出粒子性。
量子理论的特点是找出给定点x存在于空间的概率，而不是其准确位置。
光具有例和波的双重性质
量子位
经典的计算机用经典的“位”执行操作。 这些位不是0就是1，量子计算机借的是“量子位”。
量子位可以表示为绕核旋转的电子和光子。
光子的偏振状态和电子的自旋状态可以分别用|1和|0表示。
重合
量子位以0和1两种形式存在，这种现象称为“叠加”。
粒子可以存在多个量子态，但粒子的能量和位置确定后，叠加在这里消失，只存在一个态。
量子位被定义为指向单位球面的一点的一对复杂向量。
一般，指向上面的量化比特表示为列向量|0，指向下面的量化比特表示为行向量|1。
纠缠不清
“量子纠缠”是指量子粒子之间的相互作用。
即使粒子彼此分开，也不是独立的，而是相互作用、相互参照的。
测量时，如果确定一对纠缠量子处于箭头向下的自旋状态，当电子与其磁场一致时，将该状态传送到相关箭头向上相对自旋状态的另一个例子。
量子纠缠允许较远的量子位及时相互作用。
谈完这四个基本概念，你可能会问：量子计算是如何释放出巨大的并行性的？
两种相互作用的经典位置有四种状态： 00、01、10和11。
如果将每条信息的两个组成部分组合在一起，则只显示指定时间内的二进制结构。
向普通计算机添加位也表示二进制结构。
测定前重合中的量子比特有”自旋加速”和”自旋减速”的概率
一个量化比特可以同时存在0和1两种状态。
因此，两个相互作用的量子比特同时作为四个二进制结构被存储。
一般来说，“n”个量化位可以同时表示“2n”个经典二进制结构。
因此，300量子位的量子计算机可以同时搜索2n种可能的结果，从而带来了巨大的并行性。
所以，在量子计算机中多放量子位，计算能力就会加倍。
目前，我们的技术还没有实现真正意义上的量子计算机。 因为添加更多量子位和处理亚原子需要-452华氏度以下的低温环境。
因此，微软通过量子模拟器LIQUi|模拟40量子位的操作，并通过微软Azure云计算资源进行扩展。
量子计算可以解决分子建模、高温超导体的生成、药物建模与测试、分子的选择、有机电池的制备等专门的科学问题。
它非常适合于常见用途的任务，例如观看视频或写Word文档。
量子机器学习量子版机器学习算法
寻找巨型矩阵的特征值和特征向量：
一种方式是，执行经典的PCA算法的方法之一是取数据协方差矩阵的特征值分解。
然而，这在高维数据的情况下并不是很有效。
一个未知的低密度矩阵量子PCA能够揭示与大特征值相关的量子特征，与线性规模的经典算法相比速度呈指数级增长。
在量子计算机上找到近邻
用监督学习和无监督学习计算近邻的量子算法，是将查询数量的上限设置为计算距离指标所需的输入数据，如欧几里得距离和内积。
相关论文地址：
https://arxiv.org/abs/1401.2142
量子方法改进希格斯玻色子实验
在希格斯玻色子的实验中，希格斯玻色子粒子在产生后几乎立刻就衰变为小型粒子的集合。
最常见的衰减大致是以下这些：
在解决“希格斯粒子信号对抗背景”机器学习优化问题时，很多研究人员尝试将信号与背景分开。
此外，量子退火法与经典退火法相结合对机器学习方法最有利。
求解线性方程组的量子算法：
一些量子技术也能在解决机器学习问题中的子程序中起作用，比如矩阵求逆。
这个问题可被表述，为一个A矩阵和一个向量b想找到向量x满足Ax=b。
为了用量子算法求解线性方程组，我们无需了解x解的本身，而是一个与x有关的对某些算子近似的期望值。
机器学习分析量子系统
经典的机器学习算法已被利用、控制和展示量子现象的基准系统，比如玻色-爱因斯坦凝聚。
BEC是一种物质的状态，在这种状态下，玻色子原子的稀释气体被冷却到接近绝对零度，大多数的玻色子都为基态。
量子效应在宏观层面上会消失，但BEC却在宏观层面上显示出了量子效应。
科学家发明了一种机器学习者，可以发现最理想的蒸发坡道，来创造高品质BEC。
此外，我们需要好好裂解优化BEC的过程，因为学习过的机器学习模型决定了在BEC创建过程中哪些参数是必不可少的。
在量子设备的设计中，很多构建模块是在机器学习算法帮助下完成的。
机器学习算法在很多问题上起到了重要作用，比如：
检测量子变化点：
量子器件可在特定状态下发射不同状态的粒子。
为了检测这一状态变化点，科学家们将局部测量的性能与总体测量的性能进行了比较。
局部测量：测量每个粒子到达探测器的状态。
总体测量：待所有粒子到达探测器时最后测量
对于局部测量，Masahide Sasaki在之前的一篇论文中构建了一种未知状态系统的分类作为监督学习的一种形式。
最后研究人员发现，在检测突然的量子变化时，总体测量的表现优于局部测量。
论文地址：
https://arxiv.org/abs/quant-ph/0202173
量子位状态的二元分类：
科学家们训练了一种量子学习机器，将量子位的状态分为0和1，经典记忆的增长只随训练量子位的的数量成对数增长、即使在一个组成变化的足够大的训练集下，它也能表现得很好。
量子退相干：
当量子系统不是完全孤立时，就有些系统信息丢失在环境中，导致量子行为的丢失，这被称为量子退相干。
机器学习技术可以用来