量子神经网络是什么？把神经网络的思想搬到量子计算机上

量子神经网络（Quantum Neural Network，QNN）是把量子计算与人工神经网络的思想结合起来的一类模型。它属于量子机器学习的研究领域，目标是探索能否利用量子计算的特性，让机器学习在某些问题上更加高效或更加强大。

它是什么样的

“量子神经网络”这个说法并没有一个统一的定义，研究者提出过多种不同的方案。目前最主流的形式是参数化量子线路，也叫变分量子线路，它的工作方式与神经网络有相似之处。第一步，数据编码：把经典的数据，比如一张图片的像素值，用某种方式编码到量子比特的状态上，比如用数据的值来设定量子门的旋转角度。第二步，参数化的量子线路：让量子比特依次经过一系列量子门的操作，其中一部分量子门带有可以调节的参数，就像神经网络中的权重；还有一些量子门让量子比特之间产生纠缠。这些层可以重复堆叠。第三步，测量：测量量子比特，得到输出结果，比如分类的预测。第四步，优化：在一台传统的计算机上，根据输出结果计算损失函数，调整量子线路中的参数，再重新运行量子线路，如此反复迭代，这与训练神经网络的过程类似。

这种量子计算机和经典计算机配合工作的方式，被称为“混合量子-经典算法”，它适合当前量子比特数量有限、容易出错的量子计算机。梯度可以通过“参数平移规则”等方法在量子硬件上直接估计。

人们期待它能做什么

研究者希望量子神经网络能够利用量子态空间随量子比特数量指数增长的特点，表示某些经典神经网络难以表示的复杂关系；在处理本身就是量子性质的数据时，比如来自量子传感器或量子化学模拟的数据，可能具有天然的优势；以及在某些特定的问题上展现出计算上的优势。谷歌、IBM 等公司都推出了用于量子机器学习研究的软件工具，比如 TensorFlow Quantum、Qiskit 中的机器学习模块，以及 PennyLane 等开源库。

面临的挑战

量子神经网络目前仍然主要处于理论研究和小规模实验的阶段，面临不少困难。硬件的限制：现有的量子计算机量子比特数量有限、噪声大，只能运行规模很小的线路。贫瘠高原问题：研究发现，当量子线路变得较大、较深时，损失函数对参数的梯度会在绝大多数地方变得极其微小，就像在一片广阔平坦的高原上，几乎感觉不到任何坡度，导致训练无法进行。这与经典神经网络中的梯度消失有些类似，但成因不同，是当前研究的热点问题。数据加载的瓶颈：把大量的经典数据编码到量子态上本身就可能非常耗时，抵消了量子计算可能带来的速度优势。优势尚不明确：到目前为止，还没有令人信服的证据表明，量子神经网络在实际有意义的机器学习任务上能够超越经典的神经网络，一些研究还发现，部分原以为具有量子优势的算法可以被经典算法高效地模拟。因此，它目前更适合被看作一个探索性的前沿研究方向。