量子神经网络

量子计算，它能给人工智能技术的发展带来帮助吗？可以！

谷歌人工智能量子（Google AI Quantum）团队最近发表了两篇论文，介绍了他们在理解量子计算机学习任务方面取得的新进展，证明了量子计算也能解决传统机器学习中的图像分类问题。而且，随着技术发展，量子计算机将在学习能力上超越经典的神经网络。

另外，量子计算还能解决经典网络中一些棘手问题，比如预防出现模型训练中的梯度消失问题。

在第一篇论文中，谷歌构建一个神经网络的量子模型，研究如何在量子处理器上执行神经网络的分类任务。

谷歌把这个模型叫做量子神经网络（QNN），希望它能用在近期出现的量子处理器上。

虽然目前的工作主要是理论上的，但QNN的结构有助于在不久的将来对量子计算机进行测试。

QNN可以通过标记数据的监督学习进行调整，谷歌已经在理论上证明了可以在MNIST数据集上训练它进行图像分类。

谷歌预计，随着量子计算机硬件规模的发展，未来QNN的能力将足够与经典神经网络匹敌，从而实现“量子霸权”。

在第二篇论文中，谷歌专注于量子神经网络和经典神经网络训练中的关键难题，即梯度消失或爆炸（vanishing or exploding gradients）的问题。

在传统的神经网络中，神经元权重良好的、无偏见的初始猜测通常与随机性无关，但是在某些情况下也存在一些困难。

量子计算恰恰能解决这方面的问题。

谷歌的论文表明，量子几何（quantum geometry）的独特特征能够阻止某些不良的初始化情况产生，帮助我们进入到函数的稳定区，防止选取那些会导致梯度消失的初始化策略。

这项工作对未来初始化和训练量子神经网络的策略具有指导意义。谷歌希望从这些量子几何状态中获得启发，实现训练网络的新算法。（赵利利编辑整理）

相关论文信息：https://arxiv.org/abs/1802.06002