IBM、CERN 攜手合作 打造 QSVM 量子電腦尋找上帝粒子

IBM 和歐洲核子研究組織 (CERN) 合作希望藉由量子機器學習技術來了解自然基礎法則。IBM 利用量子運算來訓練機器學習演算法，分析強子對撞機產生的資料，以便未來尋找希格斯玻色子。實驗結果顯示，訓練出來的演算法和傳統演算法一樣好。

量子電腦已被用於各種應用，從銀行、生物科技到藥物，現在來到基本粒子。位於瑞士及法國交界的 CERN 是全球超級電腦大型強子對撞機 (Large Hadron Collider，LHC) 的所在地。LHC 長 27 公里，它將質子及電子加速到幾近光速互相對撞，再以加速器中的 8 台高精度偵測器蒐集資料來觀察研究。

LHC 不只儲存資料，這些資料還必須處理及分析，以供科學家驗證假設。2012 年 CERN 科學就是這樣發現最基礎粒子希格斯玻色子 (Higgs boson)，這可是近代物理學一大里程碑。

LHC 內粒子每秒對撞 10 億次，產生 1PB 的資料。目前是以全球 170 處 100 萬顆 CPU 處理，之所以分散這麼多地方是因為資料量實在太大，無法儲存於一處。

CERN 和 IBM 最早合作可追溯到 2018 年，去年起為了最新的任務，CERN 科學家再度找上 IBM 幫忙，解決現代伺服器無法解決的問題。

傳統伺服器的限制

CERN 科學家已經運用上最頂級的現代運算工具來研究，包括最先進的機器學習演算法分析 LHC 產出的資料，以區隔出有用的對撞及沒用的。現今的機器學習技術已可自動選擇出最有希望的對撞事件，但是隨著資料量愈來愈大，傳統機器學習模型很快就無法應付，這就會讓傳統伺服器出現窘境。

這就是量子電腦上場的機會。量子電腦的量子位元比傳統位元能處理更多資訊，意謂著呈現更多資料面向。這是利用量子位元來擴增特徵空間 (feature space)。演算法要怎麼分類都需仰賴這組特徵。特徵空間愈大，量子電腦就能從極大資料中找出資料模式、做出分類，傳統電腦可能只會看出隨機噪音。

IBM 的新式演算法

IBM 團隊計畫改良篩選過程，以量子運算來提升機器學習。他們最終目的是利用量子機器學習演算法從 LHC 的原始資料辨識出希格斯玻色子行為。IBM 團隊建立一個名為「量子支援向量機器」（quantum support vector machine，QSVM）的量子演算法，以 LHC 一台偵測器的測試資料來訓練，之後再分別於量子模擬器及實際的量子硬體上執行。

模擬器上跑在三種代管量子運算服務上，包括 Google TensorFlow Quantum、IBM Quantum 及 Amazon Braket，用了高達 20 量子位元 (qubit) 及 5 萬次事件的資料集。實際硬體實驗則是在 IBM 自己的量子機器上進行，用了 15 位元及 100 次事件的資料集。根據實驗，雖然有噪音干擾，但兩者的分類品質表現都和傳統演算法幾乎不分軒輊。

未來可期

IBM 研究人員 Ivano Tavernelli 和 Panagiotis Barkoutsos 指出，實驗結果顯示，不久的未來可展示 QSVM 在資料分類上的量子優越性 (quantum advantage)。

這倒也不是說這次實驗失敗：IBM 設計的量子演算法在有限的量子處理器上和傳統運算方法其實效果已經很接近，但是這些系統現在還相當新，不夠成熟。而且量子位元太少，使現今的量子電腦做不出什麼有用的運算。此外，他們還面臨量子位元太脆弱的問題，很容易受環境影響，且很容易出錯。

因此 IBM 和 CERN 寄望以將來更好的量子硬體來展現可見的效果，而非只是理論上量子演算法的優越性。「我們的結果顯示量子機器學習演算法分類資料，在有噪音的量子電腦上和傳統演算法一樣精準，為未來展示量子優越性 (quantum advantage) 開了一扇窗。」

預計 2027 年下一代 LHC 系統更新上線，可望比現有機器產生多 10 倍的對撞，而它產生的資料量只會愈來愈大，超出現有傳統處理器所能負荷。

來源：ZDNet