福建
英国伦敦大学学院（UCL）的研究人员开发了一种结合量子计算与人工智能的新方法，以更好地预测复杂物理系统随时间的行为。他们的研究表明，这种混合方法优于仅依赖传统计算的最先进人工智能模型。
这些发表在《科学进展》上的研究，有望推动更准确的液体和气体运动与相互作用模型（流体动力学）。这类预测在气候科学、交通、医学和能源生产等领域至关重要。研究团队将改进的结果归功于量子计算机存储和处理信息的方式。传统计算机依赖于1或0的比特。相比之下，量子计算机使用量子比特，量子比特可以存在于1、0或介于两者之间的任意值。此外，量子比特可以相互影响，使得即使是少数量子也能代表广泛的可能状态。
伦敦大学学院化学与高级研究计算中心的资深作者PeterCoveney教授解释道：“要对复杂系统作出预测，我们可以进行完整模拟，这可能需要数周时间——往往太长而无用——或者使用更快但更不可靠的AI模型，且时间更长。我们的量子知情人工智能模型意味着我们可以更快地提供更准确的预测。对流体流动和湍流进行预测是一项基础科学挑战，但它也有许多应用。我们的方法可用于气候预报、模拟血流和分子相互作用，或更好地设计风电场以产生更多能源。”
尽管量子计算机预计在性能上将超越经典机器，但其实际应用迄今有限。这种新方法在人工智能训练的关键阶段使用量子计算机。
通常，AI模型是从通过模拟或观测生成的大型数据集中学习的。在这种方法中，数据首先由量子计算机处理，识别出能够随时间保持稳定的重要统计模式。这些模式被称为不变统计性质，随后被用来训练在传统超级计算机上运行的人工智能模型。
结果显示，量子知情的人工智能模型比不含量子衍生模式的标准人工智能模型准确约20%。在模拟混沌系统时，它也保持了更长时间内预测的稳定性。除了提高准确性外，这种方法也更加高效。它所需的内存减少数百倍，使其成为大规模仿真的理想选择。
这种效率源于量子物理的两个关键特征。纠缠允许量子比特无论距离多远都能相互影响，而叠加态则使量子比特在测量前可以同时存在于多个状态。这些特性结合起来，即使量子比特数量很少，也能赋予量子系统显著的计算能力。
研究人员表示，新方法似乎在实际中展示了“量子优势”——也就是说，量子计算机的表现超越了仅靠经典计算所能实现的水平。这些发现可能激发新颖经典方法的发展，以实现更高准确性。接下来的步骤是利用更大的数据集扩大方法规模，并将其应用于通常涉及更复杂情况的现实情境。此外，还将提出一个可验证的理论框架。在这项研究中，首次展示了量子计算可以与经典机器学习方法有意义地集成，以解决包括流体力学在内的复杂动力系统。看到这种“量子知情”方法逐步走向实际应用，令人振奋。
研究人员认为量子计算机特别适合建模这些系统，因为它们能够高效地表示底层物理。许多复杂系统的行为类似于量子效应，一个区域的变化会影响远处区域（类似纠缠）。
如今的量子计算机仍受噪声、误差和干扰的限制，这些可能需要多次测量。团队通过仅在过程的一个阶段使用量子计算机，而不是在量子系统和经典系统之间反复传输数据来解决这个问题。（逸文）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
