从比特到量子位：量子优化如何重塑 AI

大多数尖端 AI 系统，从自动驾驶汽车到股票预测模型，在根据经验进行调整、改进和学习时都在不断做出权衡。这些决策背后是 AI 中最重要的过程之一：优化。

例如，一个经过训练用于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，它不断改进学习方式。每一步都会调整数百万个参数，通过微调权重和偏差来减少预测误差并提高准确性。

你可以把这个过程看作一个大规模的优化问题。其目标是找到能提供准确结果且不造成过拟合或浪费计算资源的最佳参数组合。

事实上，优化是 人工智能 的关键组成部分。无论 AI 模型是在识别图像还是预测价格，它都必须在无数种可能性中搜索最有效的解决方案。但随着模型和数据集的增长，这种搜索变得越来越复杂且计算成本也越来越高。

量子优化 是一种新兴的方法，可能有助于解决这一挑战。它基于量子计算，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表示 0 或 1 的比特，而是可以同时处于多种状态的量子位。这使得它们能够并行探索多种可能的解决方案，在某些情况下比传统方法更有效地解决复杂的优化问题。

然而，量子并行性与同时运行多个传统处理器并不相同。它是一个依赖量子干涉来产生有用结果的概率过程。

简而言之，这意味着量子计算机不会同时测试每一个可能性。相反，它们利用干涉——即某些可能性相互增强而另一些相互抵消——来增加找到正确答案的几率。

在本文中，我们将探讨量子优化如何工作、它为何重要，以及它对智能计算的未来意味着什么。让我们开始吧！

Link to this section什么是量子优化？#

量子优化是量子计算领域内一个不断发展的分支，专注于利用量子力学的独特属性来解决复杂的优化问题。它建立在几十年的计算机科学和物理学研究基础之上，将两者结合起来以应对传统计算难以解决的挑战。

使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（同时状态）和纠缠（链接的量子位）等量子原理应用于解决问题。

随着时间的推移，这演变成了量子优化，研究人员开发出了一些算法，利用量子效应在大型且复杂的问题空间中高效搜索最佳解决方案。

Link to this section量子优化的基础知识#

量子优化的核心由三个关键组件构成：量子算法、量子位和量子电路。量子算法提供了实现对大量潜在解决方案集进行高效探索的逻辑。

这些算法运行在量子位（量子信息的基本单位）上，它们与传统位（传统计算机中只能保存 0 或 1 值的二进制数据单位）不同，因为它们可以处于叠加态，同时表示 0 和 1。

图 1. 什么是量子位？(来源: ResearchGate)

这一独特属性使量子系统能够同时评估多种可能性，显著扩展了它们的计算潜力。同时，量子电路通过量子门的序列连接量子位，这些门控制信息的流动和交互，从而引导系统逐渐趋向于近乎最优的解决方案。

Link to this section传统优化与量子优化对比#

以下是传统优化方法与量子优化方法之间的一些关键区别：

• 计算风格： 传统算法一次测试一个解决方案。量子算法可以利用量子物理的独特属性同时考虑多种可能性。
• 处理能力： 传统计算机使用只能表示 0 或 1 的比特。量子计算机使用量子位，它们可以同时既是 0 又是 1，并且可以相互关联，从而能够处理更复杂的问题。
• 问题规模： 传统优化非常适合较小或中等复杂的问题。量子优化正在开发中，旨在解决当今计算机难以处理的更大且更复杂的问题。
• 结果： 传统结果是可预测且可重复的。量子结果基于概率，因此同一个任务可能会产生略有不同的结果，需要通过多次运行来细化以找到最佳答案。

图 2. 传统优化与量子优化对比（作者提供图像）

Link to this section量子优化是如何工作的#

接下来，让我们逐步了解量子优化是如何实际工作的。这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可以处理的形式。

以下是量子优化涉及的主要步骤概述：

• 步骤 1：将问题表述为能量景观： 每一个优化问题，例如规划配送路线或调整机器学习模型，都可以被描述为一个能量水平景观。每个可能的答案都有一个能量值，目标是找到最低值，这代表了最高效或最优的解决方案。

• 步骤 2：将问题编码为量子电路： 随后将问题转换为量子电路。在这里，量子位代表数据，并通过叠加态同时探索多种解决方案。

• 步骤 3：引导系统趋向于最佳解决方案： 然后量子计算机逐步调整量子位，使系统向最低能量（或最佳）状态移动。根据所使用的方法，这个过程被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：测量和解释结果： 当系统稳定后，对量子位进行测量，产生一个近似解。通常会重复运行多次以测量解决方案的质量并确认可靠性。

• 步骤 5：结合传统计算进行细化： 最后，传统计算机被重新引入循环。它们分析并微调来自量子运行的结果以提高准确性。这种混合方法用于 QAOA（量子近似优化算法）和 VQE（变分量子本征求解器）等方法中，结合了传统系统和量子系统的优势，以实现整体更好的性能。

Link to this section核心量子优化算法#

得益于量子计算领域的最新进展，研究人员开发出了一系列旨在更高效解决复杂问题的量子优化算法。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。

Link to this section量子退火#

量子退火是一种用于解决涉及从多种可能性中寻找最佳排列或组合的优化问题的技术。这些被称为组合优化问题，例如调度配送、车辆路径规划或对相似数据点进行分组。

该方法受到一种称为退火的物理过程启发，在这种过程中，材料被缓慢冷却以达到稳定的低能态。以类似的方式，量子退火逐渐引导量子系统趋向于其最低能量状态，这代表了该问题的最佳可能解决方案。

这一过程基于绝热量子计算原理，允许系统探索多种潜在解决方案并最终确定一个接近最优的状态。由于结果是概率性的，该过程通常会重复多次，之后通常会使用传统计算来细化答案。

量子退火在解决物流、聚类和资源分配等领域的现实优化问题方面显示出潜力。然而，研究人员仍在探索它在何时以及如何比传统方法表现更好。

图 3. 理解量子退火 (来源: ResearchGate)

Link to this section量子近似优化算法 (QAOA)#

量子近似优化算法 (QAOA) 也处理组合优化问题，但方式与量子退火不同。QAOA 不是逐渐演化到最低能量状态，而是在两种能量函数（称为哈密顿算子）之间交替。

其中一个表示问题的目标和约束，而另一个帮助系统探索新的配置。通过在这些阶段之间切换，算法稳步趋向于近乎最优的解决方案。

QAOA 在量子和传统混合系统上运行，其中量子计算机生成可能的解决方案，而传统计算机在每次运行后调整参数。这种方法使 QAOA 成为许多优化任务的灵活工具，包括调度、路径规划以及诸如 MaxCut（寻找将网络划分为两部分的最佳方法）和顶点覆盖（选择连接到网络中每一条边的最小节点集）等图论问题。虽然研究仍在进行中，但 QAOA 被广泛视为将传统优化与量子优化相结合的充满希望的一步。

Link to this section变分量子本征求解器 (VQE)#

另一个重要的算法是变分量子本征求解器 (VQE)。与处理涉及离散选择的组合优化问题的 QAOA 和量子退火不同，VQE 专注于连续优化，其中变量可以在一定范围内取值，而不是固定选项。

它主要用于估计量子系统的基态，即最低可能的能量。这使得它在物理学和化学中研究分子和材料行为方面特别有用。

VQE 也使用一种结合量子计算和传统计算的混合方法。量子计算机准备并测试可能的状态，而传统计算机分析结果并调整参数以提高准确性。

由于它需要更少的量子位和更简单的电路，VQE 在当前的 NISQ（含噪声中等规模量子）设备上表现良好。这些是当今一代的量子计算机，它们拥有的量子位数量有限并受到噪声影响，但对于研究和早期的实际实验来说已经足够强大。

VQE 已成为量子化学、材料科学和过程优化中的重要工具。它帮助研究人员建模分子、研究反应并寻找稳定的配置。

图 4. 探究变分量子特征求解器 (Source: ResearchGate)

Link to this section量子半正定规划#

半正定规划 (SDP) 是一种用于解决包含变量之间线性关系的优化问题的数学方法。当目标是在将某些条件保持在有效范围内的同时找到最佳可能结果时，它经常被使用。

量子 SDP 算法旨在使这些计算更快，特别是当数据涉及许多变量或复杂的高维空间时。它们利用量子计算原理同时分析多种可能性，这可以使解决大规模问题更高效。

这些算法正在机器学习、信号处理和控制系统等领域中被探索，在这些领域它们可以帮助模型识别模式、改进预测或管理复杂系统。尽管研究仍在进行中，但量子 SDP 在加速传统计算机难以处理的高级优化任务方面展现出了前景。

Link to this section量子优化在 AI 中的应用#

虽然量子优化是一个活跃的研究领域，但它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，我们将仔细观察一些突显其在现实场景中潜力的新兴示例和用例。

Link to this section加速机器学习模型调优#

量子优化正在被探索用于改进机器学习模型的调优方式，特别是在超参数优化和特征选择方面。中性原子处理器的最新进展也扩大了量子优化在 AI 和机器学习中实验的范围。

这些处理器使用由激光固定住的单个原子作为量子位。这使得研究人员能够构建可扩展且稳定的量子系统来测试复杂算法。

Link to this section行业应用和研究亮点#

领先的科技公司已经在尝试这些想法。例如，Google 的研究团队最近展示了一种生成式量子优势，其中一个 68 量子位的处理器学会了生成复杂的分布，暗示了其在训练生成模型方面的应用前景。

同样，NVIDIA 正在通过将量子研究整合到其超级计算和 GPU 生态系统中来架起量子与 AI 之间的桥梁。例如，它成立了一个加速量子研究中心 (NVAQC)，旨在将量子硬件与 AI 系统相结合。

此外，AWS 在 Amazon Braket 上开发了一种混合量子与传统工作流，结合使用量子电路和传统优化来微调图像分类任务的参数。

Link to this section物流、调度和路径规划中的优化#

量子优化最实际的领域之一是物流和调度。这些任务包括路径规划、车辆分配和资源分布。

一个很好的例子是能源网调度，运营商必须在实时平衡电力供需的同时降低成本并保持可靠性。研究人员已经使用量子优化将这种调度挑战表述为能量景观或哈密顿算子。

在这里，目标是找到最低能量状态，这代表了最高效的配置。例如，D-Wave 的量子求解器已经针对此类问题进行了测试，与传统优化方法相比显示出了更快且更灵活的结果。

类似的想法目前正在投资组合管理和供应链规划等领域进行研究。随着硬件的改进，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。

Link to this section药物发现和材料设计中的 AI 与量子计算#

量子优化在理解复杂分子相互作用和能量景观至关重要的领域也受到关注。例如，在药物发现和材料科学中，找到最稳定的分子结构或配置是一个优化挑战。

混合量子算法（如 VQE）正在被用于加速蛋白质结构预测和分子构象搜索等过程。研究人员也在探索将量子计算与人工智能相结合的方法，以改善模型学习和从数据中提取特征的方式。

随着量子硬件的持续进步，这些组合方法可能会在化学、生物学和材料研究领域带来重大突破，实现在分子水平上更快的发现和更准确的模拟。

Link to this section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可用之前，研究人员也已经在传统系统上使用量子启发优化方法。这些方法可以通过模仿量子策略为特定类型的问题提供更快的性能。
• 改进的硬件和混合求解器： 新型量子处理器和云端混合求解器的开发使得结合量子计算和传统计算成为可能。这使得即使在早期硬件阶段，也能在今天进行实际的测试和实验。
• 协作研究进展： IBM Quantum、Qiskit 和其他开放研究社区正在积极开发使量子优化更容易获得的算法、工具包和教育资源。

尽管量子研究发展迅速，但仍存在某些限制大规模采用的挑战。以下是一些需要考虑的关键局限性：

• 硬件局限性： 当前的量子计算机拥有的量子位数量有限，并且对噪声、退相干和操作错误高度敏感。这些因素降低了结果的准确性和可靠性，使得扩展系统来处理复杂优化任务变得困难。
• 传统模拟限制： 在传统计算机上模拟大型量子系统要求极高，因为所需的计算资源随着量子位数量的增加呈指数级增长。这使得测试和验证大规模量子算法具有挑战性。
• 缺乏基准测试标准： 量子优化研究仍然缺乏用于比较算法和硬件性能的一致基准。虽然创建标准化评估方法的努力正在进行中，但目前尚无用于衡量现实世界性能改进的通用框架。

Link to this section关键要点#

量子优化正在重塑我们对人工智能、科学和工业中解决问题方式的思考。通过将量子计算的强大功能与传统方法相结合，研究人员正在找到处理复杂性和加速发现的新方法。随着硬件的改进和算法的成熟，量子优化可能会成为下一代智能技术的关键驱动力。

查看我们的 GitHub 仓库 以了解更多关于 AI 的信息。加入我们活跃的 社区，发掘诸如 AI 在零售业 和 AI 视觉在制造业 等行业的创新。要立即开始计算机视觉之旅，请查看我们的 许可选项。