译者 | 晶颜
审校 | 重楼
量子计算与经典人工智能的融合势不可挡！
量子计算和人工智能（AI）的融合代表了计算科学中最有前景的前沿之一。
作为量子计算研究科学家，我们正站在一个新时代的崖边，在这个新时代，量子系统的独特能力正被用于增强和加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嘈杂的中等规模量子（NISQ）设备中的误差。
这种协同作用并非简单的加法，而是乘法，为解决以前难以应对的复杂问题开辟了新的途径。
接下来，我们将深入探讨量子计算和传统人工智能的协同方式，及其在各个领域产生的突破性成果。
理论基础：量子计算原理
在深入研究量子计算和传统人工智能之间的协同作用之前，有必要重新审视支撑量子计算的基本原理。
量子计算机利用量子力学的原理，特别是叠加和纠缠，来执行计算。
叠加（Superposition）允许量子比特（qubits）同时以多种状态存在，使量子计算机能够并行处理大量信息。
纠缠（Entanglement），经常被爱因斯坦描述为“幽灵般的超距作用”，允许量子比特以这样一种方式相互关联，即使相隔很远，一个量子比特的状态也不能独立于其他量子比特来描述。
这些特性使量子计算机在某些类型的问题上比经典计算机具有显著的优势，特别是那些涉及优化、量子系统模拟和某些数学运算（如分解大数）的问题。
传统人工智能基础理论
另一方面，传统人工智能包含了广泛的算法和技术，旨在使机器能够模仿与人类智能相关的认知功能。
这包括机器学习（ML），它允许系统通过经验提高其在特定任务上的性能，以及深度学习，它使用多层人工神经网络来建模和处理数据中的复杂模式。
传统人工智能主要包括以下几个关键领域：
量子-传统人工智能协同
量子计算和传统人工智能的整合并不是两种不同技术的简单结合，而是一种复杂的相互作用，利用每种范式的优势来克服另一种范式的局限性。
这种协同作用体现在以下几个关键领域：
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）是指利用量子算法来提高传统机器学习任务的性能或效率。这可以通过以下方法实现：
量子启发型经典算法
量子计算的原理激发了新的经典算法，虽然不需要量子计算机运行，但利用量子启发的方法可以更有效地解决问题：
量子计算的人工智能
人工智能技术也被应用于改进量子计算的各个方面：
混合量子-经典算法
许多当前的应用将量子计算和经典计算结合在一起，在下述领域中有效地使用它们：
量子-人工智能协同合作的突破性成果
本节重点探索了量子计算和传统人工智能相结合的一些突破性进展，并重点关注底层过程和方法。
1.加速药物发现：量子增强分子动力学模拟
量子增强人工智能最有前途的应用之一是在药物发现领域，特别是在分子动力学模拟领域。
过程:
问题表述： 药物发现的挑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。这涉及到求解多体系统的薛定谔（Schrödinger）方程，这对于处理大分子的经典计算机来说是难以计算的。
量子算法发展： 研究人员开发了用于模拟分子动力学的量子算法，如量子变分特征求解器（VQE）和量子相位估计（QPE）。这些算法利用量子系统的自然能力来表示和操纵量子态。
混合量子-经典实现： 混合方法通常用于以下情况：量子处理器准备和操纵代表分子构型的量子态。对这些状态进行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，处理这些量子数据来识别模式，并对分子特性和相互作用做出预测。
迭代优化： 该过程涉及多次迭代，传统的人工智能组件指导在量子处理器上模拟新分子构型的选择，有效地创建一个反馈回路，以改进对有希望的候选药物的搜索。
数据分析和候选药物选择： 采用先进的传统人工智能技术，如深度学习和强化学习，来分析量子模拟产生的大量数据。这些人工智能模型可以根据预测的疗效和安全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已经显示出可观的结果。例如，Menten AI的研究人员已经使用混合量子经典算法来设计新的蛋白质，展示了大大加快药物发现过程的潜力。更精确地模拟大规模分子相互作用的能力可能会减少将新药推向市场的时间和成本，并节省数十亿美元。
2.优化财务模型：量子增强蒙特卡罗方法
金融行业正在利用量子与人工智能的协同作用来增强复杂的金融建模，特别是在用于风险评估和投资组合优化的蒙特卡洛模拟领域。
过程:
问题表述： 许多金融模型，例如那些用于期权定价或风险评估的模型，依赖于蒙特卡罗模拟，这涉及到生成和分析大量随机场景。
量子算法的发展： 用于蒙特卡罗模拟的量子算法，如量子振幅估计，已经得到了发展。在达到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加速。
混合实现： 量子处理器用于执行核心采样过程，利用量子叠加同时探索多种场景。然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，用于分析和解释。
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进行训练，以识别模式并做出预测。随着可用的数据越来越多，这些模型可以适应并改进它们的性能。
实时分析： 量子加速采样和人工智能驱动分析的结合允许对金融模型进行近乎实时的更新，从而实现更快的交易策略和风险管理。
影响： 这种量子增强的金融建模方法可以实现更准确的风险评估、更好的投资组合优化和更灵敏的交易策略。例如，高盛（Goldman Sachs）和QC Ware已经展示了量子算法，可以显著加快衍生品定价的蒙特卡罗模拟，可能会带来更高效、更稳定的金融市场。
3.加强网络安全：抗量子密码学和人工智能驱动的威胁检测
量子计算和人工智能的结合在开发抗量子加密方法和增强威胁检测能力方面正在彻底改变网络安全领域。
过程:
抗量子密码学的发展： 研究人员正在开发新的加密算法，这些算法可以抵抗量子计算机和经典计算机的，例如基于格（lattice-based）和基于哈希的密码学。量子密钥分发（QKD）系统正在开发，以实现理论上不受窃听的安全通信。
人工智能增强密码分析： 机器学习模型正在接受大量加密流量数据集的训练，以识别可能表明潜在或的模式和异常。这些人工智能模型可以适应新的类型和加密方法，为不断变化的威胁提供动态防御。
量子增强网络监控： 量子传感器可用于检测可能表明安全或数据泄露企图的超弱信号。来自这些量子传感器的数据由人工智能算法处理，以实时识别和分类潜在威胁。
混合量子-经典威胁模拟： 量子计算机用于模拟经典模型无法实现的复杂场景。人工智能算法分析这些模拟，以制定和完善防御策略。
持续学习和适应： 系统的人工智能组件不断从新数据和模拟中学习，更新他们的模型，以保持领先于新出现的威胁。这种自适应方法允许安全系统随着时间的推移而发展和改进，而不是依赖于静态防御。
影响： 这种量子人工智能网络安全方法正在创造一种主动而非被动的新范式。例如，洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）的研究人员展示了一种基于量子的网络安全系统，该系统可以检测和转移量子级，有可能在网络造成损害之前阻止它们。在量子时代，这项技术对于保护关键基础设施和敏感数据至关重要。
4.革命性的气候模型：量子增强地球系统模拟
气候变化是我们这个时代最紧迫的问题之一，准确的气候模型对于制定有效的缓解战略至关重要。量子计算和人工智能的结合极大地提高了我们模拟和预测气候模式的能力。
过程:
问题表述： 地球系统模型涉及大气、海洋、陆地表面和冰之间复杂的非线性相互作用。由于计算的限制，传统的建模方法难以在高分辨率下捕获这些相互作用。
量子算法的发展： 研究人员已经开发了流体动力学模拟和求解偏微分方程的量子算法，这些都是气候模型的关键组成部分。
混合量子-经典实现： 量子处理器用于模拟气候系统中计算最密集的方面，如大气和海洋动力学。这些量子模拟与地球系统模型的经典组件集成在一起。人工智能算法，特别是深度学习模型，用于分析量子经典模拟的输出并识别模式和趋势。
多尺度建模： 量子人工智能方法允许在不同尺度上——从全球气候模式到区域和局部影响——无缝集成模拟。
数据同化和预测： 使用机器学习技术将观测数据同化到模型中，不断提高其准确性。人工智能驱动的预测模型使用量子增强模拟的输出来进行短期和长期气候预测。
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结合，以提供对气候预测不确定性更可靠的估计。
影响： 这种增强的建模能力正在为决策者和科学家提供有关气候变化的更准确和详细的信息。例如，芝加哥大学（University of Chicago）和阿贡国家实验室（Argonne National Laboratory）的研究人员已经展示了求解偏微分方程的量子算法，这种算法可以显著加速气候模拟。这有助于制定更有效地减缓和适应气候变化的战略，进而可能改变全球环境政策的进程。
5.材料科学变革：量子人工智能驱动的材料发现
传统意义上，新材料的开发是一个耗时且往往是偶然的过程。然而，量子计算和人工智能的结合正在迎来一个理性材料设计的新时代。
过程:
材料的量子模拟： 考虑到量子模拟可以利用独特的量子效应来胜任经典计算机难以解决的复杂问题，量子计算机可被用于在原子和亚原子水平上模拟材料的行为。
人工智能驱动的分析和预测： 机器学习模型，特别是深度神经网络，在量子模拟的结果上进行训练，以预测潜在新材料的特性。这些人工智能模型可以快速筛选大量可能的材料组成和结构，确定有前途的候选材料进行进一步研究。
逆向设计： 人工智能算法用于解决材料设计的逆向问题，从所需的特性开始，向后回溯，以确定可能表现出这些特性的潜在结构。
量子经典反馈回路： 人工智能预测指导选择在量子计算机上模拟的新材料。这些模拟的结果然后反馈到人工智能模型中，不断提高它们的准确性和预测能力。
实验验证和改进： 量子人工智能系统确定的最有希望的候选者进行合成和实验测试。这些实验的结果被用来进一步完善量子模拟和人工智能模型，创造一个良性循环的改进。
多目标优化： 先进的人工智能技术（如强化学习和多目标进化算法）可用于同时优化材料的多种（通常是相互竞争的）特性。
影响： 这种方法正在加速发现具有特定期望性能的新材料。例如，多伦多大学和谷歌的研究人员将量子计算和机器学习相结合，发现了用于量子设备的新型磁性材料。这种由量子人工智能驱动的材料科学方法可以改变从能源到航空航天的行业，从而开发出更高效的太阳能电池、更坚固、更轻的结构材料和新型量子设备。
量子人工智能的挑战和未来前景
虽然量子计算和传统人工智能的结合产生了令人印象深刻的结果，但仍然存在下述诸多挑战：
不过，尽管存在这些挑战，量子增强人工智能的未来前景仍是非常光明的。随着量子硬件的不断改进和新算法的开发，我们可以期待看到更多突破性的应用。
未来突破性应用
未来研究的一些特别感兴趣的领域包括：
结论
量子计算和传统人工智能的融合代表了当今计算科学中最令人兴奋的前沿之一。
通过结合两种范式的独特优势——量子计算机有效解决某些类别问题的能力，以及人工智能的模式识别和学习能力——我们正在开辟曾经被认为无法企及的新可能性。
作为处于这场革命前沿的量子计算研究科学家，他们的任务是开发算法、硬件和理论框架，以更好地塑造计算的未来。
我们上述所讨论的突破——从加速药物发现到革命性的气候模型——只是计算科学变革时代的开始。量子计算和传统人工智能之间的协同作用不仅在改变技术；它正在改变我们对可能性的理解。
我们正在走向这样一个未来：人类面临的一些最紧迫的挑战——从疾病到气候变化再到资源管理——能够以前所未有的速度和精度得到解决。
然而，实现这一潜力需要跨学科的持续合作。量子物理学家、计算机科学家、数学家和各个领域的专家必须共同努力，开发能够利用量子增强人工智能力量的实际应用。
此外，我们必须牢记这些强大技术的伦理影响，确保负责任地开发和部署它们。
展望未来，很明显，量子人工智能革命才刚刚开始。
令人兴奋的未来发展
后记
量子计算和传统人工智能的融合代表了计算科学的一个新前沿，它有望重新定义我们对周围世界的计算、预测和理解的极限。
量子计算研究科学家有特权也有责任塑造这个未来。通过不断突破可能性的界限，他们可以帮助解开世界上一些最紧迫问题的解决方案，并开辟科学探索的新途径。
未来的旅程充满挑战，但也非常令人兴奋。它需要创造力、严谨的科学探究以及挑战现有范式的意愿。
随着我们继续探索量子计算和传统人工智能之间的协同作用，我们不仅仅是在推进技术，我们还在扩大人类知识和能力的前沿。
原文标题：，作者：Thomas Cherickal