从比特到量子比特：量子优化如何重塑 AI

从自动驾驶汽车到股票预测模型，大多数现代 AI 系统都会不断权衡取舍，并在此过程中进行调整、改进和学习。支撑这些决策的，是 AI 中最重要的流程之一：优化。

例如，经过训练以识别交通标志或预测房价的 AI 模型会从示例中学习。在训练过程中，它会不断改进学习方式。每一步都会调整数百万个参数，微调权重和偏置，以减少预测误差、提高准确性。

你可以把这个过程看作一个大规模优化问题。目标是找到参数的最佳组合，在获得准确结果的同时避免过拟合或浪费计算资源。

事实上，优化是人工智能的重要组成部分。无论 AI 模型是在识别图像还是预测价格，都必须在无数种可能性中寻找最有效的解决方案。但随着模型和数据集不断增大，这种搜索会变得越来越复杂，计算成本也越来越高。

量子优化是一种新兴方法，有望帮助解决这一挑战。它以量子计算为基础，利用量子力学原理以新的方式处理信息。

量子计算机使用的不是只能取 0 或 1 的比特，而是可以同时处于多个状态的量子比特。这使它们能够并行探索许多可能的解决方案，在某些情况下，比经典方法更高效地解决复杂的优化问题。

不过，量子并行性并不等同于同时运行许多经典处理器。它是一种依赖量子干涉产生有用结果的概率过程。

简单来说，这意味着量子计算机不会同时测试每一种可能性。相反，它们会利用干涉——某些可能性相互增强，另一些则相互抵消——以提高找到正确答案的概率。

本文将介绍量子优化的工作原理、它为何重要，以及它可能对智能计算的未来产生哪些影响。

什么是量子优化？#

量子优化是量子计算中的一个新兴领域，专注于利用量子力学的独特属性解决复杂的优化问题。它建立在数十年的计算机科学和物理学研究之上，将两者结合起来，应对传统计算难以解决的挑战。

利用量子系统进行优化的想法最早出现在 20 世纪 90 年代末，当时研究人员开始探索如何将叠加（同时处于多种状态）和纠缠（相互关联的量子比特）等量子原理应用于问题求解。

随着时间推移，这一方向发展为量子优化，研究人员也开发出利用量子效应在庞大而复杂的问题空间中高效搜索最优解的算法。

量子优化基础#

从本质上说，量子优化建立在三个关键组成部分之上：量子算法、量子比特和量子电路。量子算法提供相应的逻辑，使系统能够高效地探索大量可能的解决方案。

这些算法运行于量子信息的基本单位——量子比特之上。量子比特不同于经典比特（传统计算机中的二进制数据单位，只能取 0 或 1），因为它可以处于叠加态，同时表示 0 和 1。

图 1. 什么是量子比特？（来源：ResearchGate）

这一特性让量子系统能够同时表示多种可能性，大幅拓展其计算潜力。同时，量子线路通过一系列量子门连接量子比特，量子门控制信息的流动和相互作用，逐步引导系统找到近似最优解。

经典优化与量子优化的对比#

以下是经典优化方法与量子优化方法之间的一些主要区别：

• 计算方式：经典算法一次测试一个解决方案。量子算法能够利用量子物理的独特属性，同时考虑多种可能性。
• 处理能力：经典计算机使用的比特只能取 0 或 1。量子计算机使用的量子比特可以同时表示 0 和 1，并且彼此相连，因此能够处理更复杂的问题。
• 问题规模：经典优化适用于规模较小或复杂度适中的问题。量子优化正在发展中，目标是解决规模大得多、复杂得多且当今计算机难以处理的问题。
• 结果：经典计算的结果可预测且可重复。量子计算的结果基于概率，因此同一任务可能产生略有不同的结果，需要通过多次运行加以优化，以找到最佳答案。

图 2. 经典优化与量子优化的对比（图片由作者提供）

量子优化的工作原理#

接下来，我们来了解量子优化的实际工作原理。一切都始于定义一个现实世界的问题，并将其转换为量子计算机能够处理的形式。

以下是量子优化涉及的主要步骤概览：

• 步骤 1：将问题建模为能量景观：每个优化问题，例如规划配送路线或调优机器学习模型，都可以描述为一个能量级别景观。每个可能的答案都有一个能量值，目标是找到能量最低的答案，它代表最高效或最优的解决方案。
• 步骤 2：将问题编码到量子电路中：接下来，将问题转换为量子电路。在这里，量子比特（qubit）代表数据，并可通过叠加态同时探索多种解决方案。
• 步骤 3：引导系统找到最佳解：随后，量子计算机逐步调整量子比特，让系统朝着能量最低、也就是最佳的解决方案移动。根据所用方法，这一过程称为量子退火或绝热演化。它有助于系统稳定在最有希望的状态。
• 步骤 4：测量并解读结果：系统稳定后，会测量量子比特并得出一个近似解。通常会多次运行，以评估解的质量并确认其可靠性。
• 步骤 5：结合经典计算进行优化：最后，经典计算机重新加入流程。它们会分析量子计算运行得出的结果并微调这些结果，从而提高准确性。这种混合方法应用于 QAOA（量子近似优化算法）和 VQE（变分量子本征求解器）等方法，结合经典系统和量子系统的优势，以提升整体性能。

核心量子优化算法#

得益于量子计算的最新进展，研究人员开发了多种量子优化算法，旨在更高效地解决复杂问题。这些方法正在塑造该领域的未来。让我们来看看其中一些主要算法。

量子退火#

量子退火是一种用于解决优化问题的技术，目标是从众多可能性中找到最佳排列或组合。这类问题称为组合优化问题，例如安排配送、规划车辆路线或对相似数据点进行分组。

这种方法受到一种称为退火的物理过程启发：材料缓慢冷却，从而达到稳定的低能量状态。类似地，量子退火会逐步引导量子系统进入能量最低的状态，这代表了问题的最佳可能解。

这一过程基于绝热量子计算原理，使系统能够探索许多潜在解，并稳定在一个接近最优的解上。由于结果具有概率性，这一过程通常需要重复多次，之后也常用经典计算来优化答案。

量子退火在解决物流、聚类和资源分配等领域的现实世界优化问题方面展现出潜力。不过，研究人员仍在探索它何时以及如何能够优于传统方法。

图 3. 了解量子退火（来源：ResearchGate）

量子近似优化算法（QAOA）#

量子近似优化算法（QAOA）同样用于处理组合优化问题，但方式与量子退火不同。QAOA 并非逐渐演化到能量最低的状态，而是在两个称为哈密顿量的能量函数之间交替切换。

其中一个表示问题的目标和约束，另一个则帮助系统探索新的配置。通过在这两个阶段之间切换，算法逐步接近一个近似最优解。

QAOA 运行于量子与经典混合系统中：量子计算机生成可能的解决方案，经典计算机则在每次运行后调整参数。这使 QAOA 成为适用于多种优化任务的灵活工具，包括调度、路径规划，以及 MaxCut（寻找将网络分成两部分的最佳方法）和顶点覆盖（选择能够连接网络中每条边的最小节点集合）等图问题。虽然研究仍在进行，QAOA 被广泛视为迈向经典优化与量子优化融合的一个有前景的步骤。

变分量子本征求解器（VQE）#

另一个重要算法是变分量子本征求解器（VQE）。QAOA 和量子退火处理的是涉及离散选项的组合优化问题，而 VQE 则不同，它专注于连续优化，其中变量可以取一定范围内的值，而非固定选项。

它主要用于估算量子系统的基态，也就是可能的最低能量状态。因此，它对于研究物理和化学中的分子与材料行为尤为有用。

VQE 也采用结合量子计算与经典计算的混合方法。量子计算机负责准备并测试可能的状态，经典计算机则分析结果并调整参数，以提高准确性。

由于所需量子比特较少、电路也较简单，VQE 在当前 NISQ（含噪中等规模量子）设备上表现良好。这些设备属于当今一代量子计算机，量子比特数量有限且会受到噪声影响，但仍足以支持研究和早期实践实验。

VQE 已成为量子化学、材料科学和流程优化中的重要工具。它帮助研究人员构建分子模型、研究反应并寻找稳定构型。

图 4. 了解变分量子本征求解器（来源：ResearchGate）

量子半正定规划#

半正定规划（SDP）是一种数学方法，用于解决变量之间包含线性关系的优化问题。当目标是在将某些条件保持在有效范围内的同时，找到尽可能好的结果时，人们通常会采用这种方法。

量子 SDP 算法旨在加快这些计算，尤其适用于数据涉及大量变量或复杂高维空间的情况。它们利用量子计算原理同时分析多种可能性，从而更高效地解决大规模问题。

研究人员正在探索这些算法在机器学习、信号处理和控制系统等领域的应用，它们有望帮助模型识别模式、改进预测或管理复杂系统。尽管研究仍在进行，量子 SDP 在加速经典计算机难以处理的高级优化任务方面展现出良好前景。

量子优化在 AI 中的应用#

量子优化不仅是一个活跃的研究领域，也开始在人工智能和机器学习等领域找到实际应用。研究人员正在探索量子方法如何帮助更高效地解决复杂问题。

接下来，我们将仔细了解一些新兴案例和应用场景，看看它在现实场景中的潜力。

加速机器学习模型调优#

人们正在探索量子优化，以改进机器学习模型的调优方式，尤其是超参数优化和特征选择。中性原子处理器的最新进展也正在拓展量子优化在 AI 和机器学习实验中的应用范围。

这些处理器利用激光固定单个原子，并将其用作量子比特。这使研究人员能够构建可扩展且稳定的量子系统，用于测试复杂算法。

行业应用与研究亮点#

领先的科技公司已经在试验这些想法。例如，Google 的研究团队最近展示了生成式量子优势：一款 68 量子比特处理器学会了生成复杂分布，暗示了其在生成模型训练方面的潜在应用。

同样，NVIDIA 也在通过将量子研究融入其超级计算和 GPU 生态系统，搭建量子计算与 AI 之间的桥梁。例如，它成立了加速量子研究中心（NVAQC），以将量子硬件与 AI 系统结合起来。

此外，AWS 已在 Amazon Braket 上开发出一种量子与经典混合工作流，将量子电路与经典优化结合起来，为图像分类任务微调参数。

物流、调度和路径规划中的优化#

量子优化最具实用价值的领域之一是物流和调度。这些任务包括路线规划、车辆分配和资源分配。

电网调度就是一个很好的例子。运营商必须实时平衡电力供需，同时降低成本并保持可靠性。研究人员利用量子优化，将这一调度挑战表示为能量景观或哈密顿量。

在此，目标是找到能量最低的状态，它代表最高效的配置。例如，研究人员已使用 D-Wave 的量子求解器测试此类问题，与传统优化方法相比，这些求解器展现出更快、更灵活的结果。

类似的想法目前也在投资组合管理和供应链规划等领域开展研究。随着硬件不断改进，这些方法可能会改变 AI 系统在现实约束下进行规划和决策的方式。

药物研发和材料设计中的 AI 与量子计算#

在理解复杂分子相互作用和能量景观至关重要的领域，量子优化也日益受到关注。例如，在药物研发和材料科学中，寻找最稳定的分子结构或构型就是一项优化挑战。

研究人员正在探索混合量子算法，例如 VQE，以加快蛋白质结构预测和分子构象搜索等流程。研究人员还在探索结合量子计算与人工智能的方法，以改善模型的学习方式和从数据中提取特征的能力。

随着量子硬件不断进步，这些结合方法可能会推动化学、生物学和材料研究取得重大突破，实现更快的发现速度和更准确的分子级模拟。

量子优化的优缺点#

以下是使用量子优化的一些优势：

• 量子启发算法：即使在大规模量子计算机尚未问世之前，研究人员也已在经典系统上使用量子启发式优化方法。通过模拟量子策略，这些方法可以在特定类型的问题上实现更快的性能。
• 硬件改进与混合求解器：新型量子处理器和基于云的混合求解器不断发展，使量子计算与经典计算得以结合。即使硬件仍处于早期阶段，这也让我们能够在当下开展实际测试和实验。
• 协作研究进展：IBM Quantum、Qiskit 和其他开放研究社区正在积极开发算法、工具包和教育资源，让量子优化变得更容易上手。

尽管量子研究进展迅速，但仍有一些挑战阻碍其大规模应用。以下是需要考虑的一些主要限制：

• 硬件局限：目前的量子计算机量子比特数量有限，并且对噪声、退相干和运行错误非常敏感。这些因素会降低结果的准确性和可靠性，让系统难以扩展以处理复杂的优化任务。
• 经典模拟的限制：在经典计算机上模拟大型量子系统极具挑战性，因为所需的计算资源会随量子比特数量呈指数级增长。这使得测试和验证大规模量子算法变得困难。
• 缺乏基准测试标准：量子优化研究仍缺少用于比较算法和硬件性能的统一基准。尽管相关工作正在推进，力求建立标准化评估方法，但目前还没有衡量现实世界性能提升的通用框架。

要点#

量子优化正在重塑我们对人工智能、科学和工业领域问题求解方式的认识。通过将量子计算的优势与经典方法相结合，研究人员正探索处理复杂问题和加速发现的新方法。随着硬件不断改进、算法日趋成熟，量子优化有望成为推动下一代智能技术发展的关键力量。

查看我们的 GitHub 仓库，了解更多 AI 相关内容。加入活跃的社区，了解 AI 在零售业的创新应用和视觉 AI 在制造业的创新应用等领域的创新。现在就开始使用计算机视觉，可以查看我们的许可选项。