至关重要的是，这种结构并不是事先确定的，而是在反复试验的过程中进行相应调整。神经网络可能会被输入标有“小猫”或“小狗”等定义的图像。对于每个输入的图像，它会分配一个标签，检查结构是否与图像匹配，如果不是则调整神经元连接。起初机器等这种“猜测”是随机的，但会越来越好；比如在处理10000个学习样例后，神经网络能够达到更好的效果。一个大型神经网络可能有十亿个互连，所有这些都需要在训练中进行反复调整。

 

　　在经典的计算机上，所有这些互连都由一个巨大的数字矩阵表示，运行神经网络实际上意味着做矩阵代数。通常，这些矩阵处理是由诸如图形处理单元的专用芯片所完成的。但是没有什么能够像量子计算机一样处理矩阵。麻省理工学院物理学家、量子计算先驱赛斯·劳埃德（Seth Lloyd）表示：“在量子计算机上处理大型矩阵和大型矢量的速度更快。”

 

　　量子计算机能够利用量子系统的指数性质进行矩阵运算。在量子计算机中，与传统计算机中最小的数据存储单位比特所对应的是量子比特，但量子系统的信息存储容量并不依赖于其单个的数据单元 ，而是这些量子比特的表征叠加。两个量子比特共有四个叠加状态：00，01，10，11。每个都代表一定的权重或“偏振度”，可以代表一个神经元。如果有三个量子位，则可以代表八个神经元，以此类推，四个量子比特就可以代表16个神经元。机器的容量呈指数级增长。实际上整个神经网络系统中的神经元都处于一种游离态。结果就是，当量子计算机在四个量子比特的状态下工作时，一次能够处理16个数字，而一台传统计算机则必须逐个处理这些数字。

 

　　劳埃德估计，60个量子比特所编码的数据量就可以超过全人类一年所产生的数据量，而300个量子比特可以处理全宇宙的所有信息量。目前世界上最大的量子计算机由IBM，英特尔和谷歌联合开发，拥有大约50个量子比特。阿伦森称，如果假设一个传统比特只是一个振幅的话，量子比特的振幅是连续量。实际中为了合理的实验精度，一个量子比特可以存储的位数多达15位。

 

　　但量子计算机强大的信息存储能力并没有让它变得更快。你首先需要能够利用这些量子位。 2008年，麻省理工学院物理学家阿兰姆哈罗（Aram Harrow）和以色列巴伊兰Bar-Ilan大学计算机科学家Avinatan Hassidim展示了如何用量子计算机完成矩阵求逆的关键代数运算。他们把其分解成可以在量子计算机上执行的一系列逻辑运算，两位科学家所开发的算法适用于各种机器学习技术，并不需要像诸如数据分解等算法步骤。计算机可以在筛除噪声之前通过分类任务进行数据压缩——这也是当今技术的一个主要限制因素——或许会解决运算问题。 IBM托马斯·J·沃森（Thomas J. Watson）研究中心的克里斯坦·特米（Kristan Temme）表示：“或许在拥有完全通用的容错量子计算机之前，我们可能利用量子优势。

 

　　用自然解决问题

 

　　然而到目前为止，基于量子矩阵代数的机器学习算法仅在仅有四个量子位的机器上得到了验证。迄今为止有关量子机器学习的大部分实验成功都采用了不同的方法，其中的量子系统不仅仅模拟神经网络;它本身就是网络。每个量子比特代表一个神经元。虽然这种设备还缺乏取幂的强大运算力量，但像其也可以利用量子物理的其他特性。

 

　　目前最强大的这种设备有约2000个量子位，它是由位于不列颠哥伦比亚省温哥华附近的D-Wave Systems公司生产的量子处理器。这并不是大多数人所认为的那种传统电脑。传统电脑输入数据，通过执行一系列操作并显示输出。相比之下，这种量子处理器通过查找内部一致性来工作。它的每个量子比特都是一个超导电子回路，你可以把它看作一个微小的电磁体，能够朝上，朝下或上下移动，同时显现出叠加状态。不同的量子比特以磁性方式进行交互，从而“连接”在一起。

 

　　为了运行该系统，首先需要施加一个水平磁场，将量子比特初始化为上下对等的叠加——这相当于没有输入。目前有几种输入数据的方法。在某些情况下，您可以将一层量子位排列成所需的输入值;研究人员更常用的方式是将输入融入耦合磁场，然后让量子比特进行互动。在电磁场的作用下，有些量子比特会沿着相同的方向排列，而有些则会沿着相反的方向排列，并且在水平磁场的影响下发生转向。这样一来，受影响的量子比特可能会触发其他量子比特的翻转。输入耦合磁场后量子比特会发生偏移，但随着时间的推移，它们会逐步稳定，你可以关闭水平磁场以锁定量子比特的状态。此时，量子比特塌缩成01状态，从而获得最终解。

 

　　关键在于量子比特的最终排列是什么并不确定。该系统只是通过自然的方法去解决一个普通计算机会遇到的问题。 “我们不需要算法，”东京理工学院物理学家Hidetoshi Nishimori解释说，他创造了D-Wave机器运行的原理。 “这与传统编程完全不同。大自然解决了这个问题。”

 

　　该量子比特的翻转依赖于量子隧穿效应，也就是量子系统必须自行找出最佳配置。当然，你完全可以用同样的原理构建一个传统网络，说不准利用随机轻摇所获得得结果要比量子隧穿效应更好。但有趣的是，对于机器学习中出现的问题类型，量子网络似乎能够更快地达到最佳状态。

 

　　关于D-Wave机器也有不少质疑者。其结果包含过多的噪声，并且在目前的模型下其执行的操作相当有限。然而机器学习算法本质上具有抗噪声能力。它们之所以有用正是因为它们可以理解杂乱的现实，将小猫从小狗的背景中分拣出来。 贝尔曼说：“神经网络对处理噪声非常有效。”

 

　　谷歌计算机科学家Hartmut Neven曾负责增强现实技术研究，他创立了谷歌眼镜项目。2009年，其领导的一个团队展示了早期的D-Wave机器如何完成机器学习任务。他们将其用于单层神经网络，将待处理的图像分成两类：“有车”或“无车”，其中包含了20,000个街道场景的图书馆中。该机器只有52个可运行量子比特，对于处理所有图像来说尚显乏力。（需要清楚的是：D-Wave机器与2018年上线的具有50个量子比特的量子计算机完全不同）。因此Neven的团队将D-Wave机器与传统计算机相结合，用传统计算机分析各种统计量并计算这些量对汽车存在的敏感程度 - 通常并不是很高。通过这些量的某些组合可以发现汽车，但并不明显。接下来是量子神经网络的工作，找出答案。

 

　　团队为每个数量分配一个量子比特。如果该量子比特的数值为1，则标记相应数量对汽车存在有影响; 0则表示没有影响。团队根据问题的要求对量子比特的相互磁力作用进行了编码，例如只保留最具有鉴别性的量，以便尽可能简化最终选择，结果是D-Wave机器可以识别出汽车。

 

　　去年，由加利福尼亚理工学院粒子物理学家玛丽亚斯皮罗普鲁（Maria Spiropulu）和南加利福尼亚大学（University of Southern California）物理学家丹尼尔里达（Daniel Lidar）领导的小组将该算法应用于解决一个实际物理问题：将在质子碰撞中产生的光子分为“希格斯玻色子”或“不是希格斯玻色子” 。“他们将注意力集中在激发光子的碰撞上，用基本粒子理论来预测哪些光子属性可能会表明希格斯玻色子的存在，比如说超过某个动量的阈值。他们考虑了8种粒子属性和由此产生的28种属性组合，总共确定了36个候选信号。研究人员让南加州大学的D-Wave机器找到最佳选择。机器确定了16个有用变量，3个最佳变量。相比于标准程序，量子机器执行准确判别所需要的数据量更小。 “如果训练集很小，那么量子方法的精确度确实比高能物理学界惯常使用的传统方法更高”里达表示。