外行也看得懂！了解量子计算的奇迹( 三 )

在谈论量子纠缠时，无法避免EPR悖论。它构成了该主题的有争议的基础，爱因斯坦将纠缠称为“远距离的怪异动作” 。
然而，对许多粒子对（如光子，中微子，电子，在某些情况下还包括大分子）性质（如动量，自旋，极化，位置等）的测量表明：即使一对原子彼此分隔很远，也能获得令人满意的结果。这证明了量子纠缠的想法。
考虑到所有因素，例如信息传递，远距离测量，逆波函数崩溃（这可能在“测量”属性并扰乱了整个纠缠的粒子对系统时发生）等，量子纠缠的优势被认为是正确的，但是人们坚信相对论并没有受到它的挑战，即没有任何信息或逻辑传输的速度超过光速。
你可能已经猜到了，量子纠缠的一个重要应用就是量子互联网。

本文插图

本文插图
量子计算的应用
讨论了基础知识之后，我们来看一下全球范围内量子计算的一些应用和当前趋势。
1. 量子机器学习
过去二十年来，工程师和企业家对人工智能的兴趣呈指数级增长，这主要是因为《黑客帝国》这类电影的出现。存在于每个热爱探索的人内心的无法克制的渴望驱使他们致力于建立更好的计算设计和算法，以更深入地探索自然和宇宙的奥秘。
人工智能是指机器通过某种方式试图模仿人类的心理和决策过程时表现出的“聪明”的行为。机器学习只是创建和增强智能的方式，类似于人类的智力学习。
几十年来，基于理论方法和启发式（深度学习）的研究一直在增长。从朴素贝叶斯到神经网络，整个机器学习领域无论是在数据获取，算法开发还是计算能力方面都经历了指数级增长。

本文插图
图源：daimler
学生和产业研发团队对于探索和实施量子工程解决方案以增强计算能力的兴趣已经大大提高。
量子计算在两个方面使AI受益，反之亦然。
一方面，量子计算机具有执行超快速线性代数的能力，这构成了机器学习算法的基础。这些量子加速计算是在状态空间上随量子位成指数增长的，这是第一代量子机器学习（QML）。第一代包含有监督和无监督学习应用，例如主成分分析， k-means聚类和推荐系统。这些算法对量子数据的执行速度为指数倍数。为了对经典数据进行计算，首先需要将其嵌入量子态。
第二代QML也随着噪声中级量子（NISQ）处理器的出现而出现，并且基于启发式方法。对它们的经验研究可以借助量子硬件强大的计算能力来进行。就像深度学习是机器学习领域的发展一样，第二代是量子机器学习领域的发展。
你此时期待量子神经网络吗？如果是，你是对的。 QNN是QML中模型构建，训练策略和推理方案的基础。 Google的TensorFlowQuantum白皮书是可在互联网上找到的用于QML的最精彩的资源。
另一方面，量子计算机最初是为了探索和模拟自然/物理学的奇迹而开发的，它们现在还用于增强AI 。当QC和AI领域的天才联合时，模拟自然范例的想法就出现了。

本文插图
图源：lhc-epistemologie
对某些现象的模拟，例如分子间键合，离子相互作用，放射性衰变，核反应，卫星通信，以及诸如组合优化之类的更多实例，如果使用经典计算机完成需要花费数年的时间，而同时使用量子计算硬件和量子机器学习算法则可以在数分钟内完成仿真。