机器学习让计算机能够识别复杂的模式(例如面部识别)，并能创建新的和逼真的此类模式示例。为了改进这些技术，研究人员现在首次明确演示了量子算法在生成这些真实示例时也表现的非常不错，研究人员还用这种技术创建出了看起来很真实的手写数字。他们认为，这一结果是朝着构建能够超越经典机器学习能力的量子设备迈出的重要一步。

神经网络最常见的用途是进行分类(例如识别手写字母)。但现在的研究人员正越来越多地将算法用于更具创造性的任务，比如生成新的、逼真的艺术品、音乐作品或人脸。这些所谓的生成神经网络也可以用来对照片进行自动编辑，例如去掉不需要的细节(如下雨)。

正如Zapata Computing公司的Alejandro Perdomo-Ortiz所说，将量子计算带入到当今的生成网络可能会带来更好的性能。因此，研究人员一直在尝试在当前所谓的“嘈杂中等规模量子”(NISQ)设备上实现算法，这是只有不到几十或上百个量子比特的量子机器。

Perdomo-Ortiz说：“人们对在生成建模中应用基于量子电路的算法的兴趣正越来越大”。但迄今为止取得的成果有限。在生成逼真的手写数字(该领域的标准基准)时，以前的研究只处理了与训练集几乎没有相似之处的小的、颗粒状的和低分辨率的数字。现在，他和他的同事们报告了一种使用新的机器学习架构改进来的结果。

他们的工作利用了所谓的“对抗网络”，这是一种由两个子网络、一个生成器和一个鉴别器构成的神经网络。这种生成器网络学习生成真实图像的方法是，先从不同图像的初始种子分布(通常所有图像的概率相同)开始，然后通过试错去学习。它会进行逐渐调整，使其生成的图像与训练数据中的图像相似的程度很高。

鉴别器网络扮演着对手的角色，它试图将生成器生成的假图像与真实训练图像区分开来。根据鉴别器的性能，生成器会对自身进行调整，以便通过生成更逼真的图像来更有效地欺骗鉴别器。反过来，鉴别器也会进行调整以更好地发现假货。本质上，生成器是通过与对手进行测试来学习如何表现得更好，同时学习如何成为最好的对手。

但是这种对抗性网络的有效性取决于图像概率的起始种子分布。为了提高系统的性能，Perdomo-Ortiz及其同事决定用一个量子电路来增强这个对抗性网络，该量子电路旨在将种子概率的选择带入学习过程。

通过分析之前的工作，他们怀疑鉴别器网络中的一个特定元素子集(系统中的“层”)应该包含了能提高生成器性能所需的关键信息。该团队用他们的量子电路进行了一项任务，即在其演化过程中表示该层的状态，并将该信息作为种子提供给生成器网络，以便在对抗过程中进行重复的试验。量子电路就像棒球队的间谍，随着两支球队不断更新他们的策略，它会从另一支球队那里窃取信息。量子电路的优势在于它可以表示比经典系统还要更加广泛的状态范围。

他们的小型量子计算设备是基于一组存储在捕获的镱离子中的8个量子比特。借助这个平台，研究人员首先在业界广泛使用的手写数字标准数据集上训练了完整的机器学习算法。该数据集包括了6万张手写的个位数数字图像。在网络训练完成后，该团队测试了其生成新手写数字示例的能力。

这种方法生成的数字提供的分辨率明显要优于以前使用其他量子机器学习设备生成的数字。正如该团队研究人员所强调的那样，它的性能并没有明显优于最好的经典机器学习系统所能达到的性能。但这项工作表明，特定算法的量子增强版本可以比传统版本执行得更好，也可以在当今的量子设备上运行。（编译:Qtech）