林晉毅 | 特約編輯 (臺灣大學物理系)
現今，機器學習這項技術日漸成熟，並且被廣泛應用於各種領域中。機器學習所需要的計算資源相當龐大，因此量子電腦的強大計算能力在機器學習領域中被認為有相當大的發展潛力，目前已經有許多理論提出在機器學習架構內加入量子電路能夠使其表現更好，但由於實作上的困難，達成的效果一直都很受限。
今年(2022)有一個團隊成功在生成對抗網路(GAN)的架構下加入量子電路，並且得到更好的表現。生成對抗網路架構利用兩組網路，一端為生成端，另一端則為辨識端。舉手寫辨識來說，一端是學習如何產出像手寫數字的圖像。而這些電腦產出的圖像將會混和真實的手寫數字圖像，給另一端辨識端進行分辨訓練。辨識端將會學習如何區分生成端生成的圖與真實的圖。
這種機器自己內部互相訓練的生成對抗網路學習方法雖然聽起來很美好，但學習速度事實上是與初始種子 (initial seed) 的選擇非常相關，若初始種子選擇不好，學習效率將會十分緩慢，而古典電腦在initial seed的挑選上表現並沒有那麼好。因此，相比於大部分研究都是將量子電路加在機器學習的訓練部分(Training Part)，這組團隊選擇利用量子電路來挑選GAN的初始種子(seed)，使學習效果達到更好。團隊利用量子電腦中8個離子量子位元與60,000張手寫數字圖來進行訓練，成功達到比捲積神經網路的學習表現還好，也顯現了量子電路在機器學習問題上能有所助益。
資料來源
- Quantum-Aided Machine Learning Shows Its Value
https://physics.aps.org/articles/v15/106
