日前，Google 正式宣布面世物理机器自学开放源码库 TensorFlow Quantum。
这一开放源码库软件系统了 Google 以后开放源码的物理排序架构 Cirq 和机器自学架构 TensorFlow。Cirq 提供了两个应用应用领域软件辅助工具包来运转物理演算法，不要求开发人员必须有两台真实世界的物理排序机。而 TensorFlow 是两个PCB了下层广度自学数学模型的应用应用领域软件库。简来说之，无论是 Cirq 还是 TensorFlow，都是为了减少新技术准入门槛而生。借助于这些开放源码辅助工具，开发人员能更慢更省地打造出物理排序或机器学习应用应用领域。
Google 那时把二者紧密结合了起来，能让开发人员利用经典之作或是物理统计数据，加速打造出两个混和的物理-经典之作数学模型蓝本，以求促进物理排序和机器自学街道社区发现更能充分发挥物理竞争优势的新演算法。
虽然物理排序和机器自学都是技术热门话题，但原属完全不同的应用领域。二者为甚么能紧密结合在一起？物理排序能给机器自学增添甚么？一切要从经典之作统计数据和物理统计数据的差别讲起。
跳脱 0 和 1 的局限性
简而言之经典之作统计数据和经典之作数学模型，都是相对于物理来说。那时盛行的排序机被称作经典之作排序机，数据量的基本上基层单位是BCC，在十进制中值域不是 0 是 1。
而遵从物理力学规律性打造出的排序机被称作物理排序机，数据量的基本上基层单位是物理BCC，在值域前处在不确认状况，即共振态。也是说，物理BCC能同时处在 “0” 和 “1” 的状况。
没人做过两个隐喻：经典之作BCC是 “控制器”，只有开和关两个状况（0 和 1），而物理BCC是 “控制器”，就像录音机上中波的控制器那般，有无限数个状况。经典之作排序机通过操纵者经典之作BCC进行演算，而物理排序机是操纵者物理BCC，其本质上是去转动它们。
物理共振这种特性决定了在同样BCC数量的情况下，物理BCC能存储比经典之作BCC更多的信息。
比如，把 1 个“0”和 1 个“1”放在一起，会有 4 个组合状况：00、01、10、11。2 个经典之作BCC只能是其中 1 种状况，而 2 个物理BCC能同时包含这 4 个状况，并且每个状况都有一定的权重。
只有当人们去读取物理BCC时，同时包含 4 个状况的物理BCC才会变化为其中两个状况。正是由于这种共振的特性，物理排序机具备了强大的并行排序能力。
▲（“薛定谔的猫” 是解释物理共振的两个思想实验）
除了共振，物理还有个特性是“纠缠”。纠缠性能让数个物理BCC共享状况，创造出 “超级共振” 的物理并行排序，排序能力随BCC数增加呈指数级增长。
理论上，拥有 300 个物理BCC的物理排序机，瞬间所能执行的并行排序次数比宇宙中的原子总数还多。
对于物理排序的并行性，微软 CEO Satya Nadella 在 2017 年微软 Ignite 大会上，用找迷宫出口来隐喻解释：
为了找到迷宫的出口，经典之作排序机先开启一条搜索路径，遇到障碍物后会沿原路返回。之后再次探寻新路，直到遇障返回或找到了正确出口。虽然最终能找到两个结果，但这种方法相当耗时。
对比之下，物理排序机解锁了神奇的并行性。它们同时探寻玉米迷宫中的每一条路。因此，物理排序机可能指数级减少解决问题的步骤。
中国科学院院士潘建伟也曾说：“如果传统排序机的速度是‘自行车’，那么物理排序机的速度是‘飞机’。”
这种远远超过经典之作排序机的排序性能，正是机器自学所需要的。众所周知，当下这次以机器自学方法为代表的人工智能浪潮，是算力、演算法和统计数据相紧密结合的结果。
如果机器自学任务无法加速排序完成，那么经济价值就无法得到体现。当前，企业和学界普遍采用 GPU 和 FPGA 等适合并行排序的通用芯片来实现加速，但这些方法依然是基于经典之作排序机。
速度远远超越经典之作排序机的物理排序机，自然而然和机器自学联系起来。
物理机器自学是如何实现的
早在 1995 年，美国路易斯安那州立大学 Kak 教授首先提出了“量子神经排序”的概念。而后，物理聚类、物理广度自学和物理向量机等演算法相继被提出。2015 年，潘建伟教授团队在小型光物理排序机上，首次实现了物理机器自学演算法 。
事实上，已有的物理机器自学演算法主要可细分为 3 类。第一类，机器自学的整体排序依然采用经典之作排序机，但把比较复杂的排序转换成物理版本，用物理排序机来运转。
▲（图片来自《物理机器自学演算法综述》
第二类是“寻找物理系统的力学效应、动力学特性与传统机器自学处理步骤的相似点，将物理过程应用应用领域于传统机器自学问题的求解，产生出新的机器自学演算法”。第三类，则是借助于机器自学力去研究物理系统。
目前，对物理机器自学的研究大多集中在第一类。在具体的执行层面上，要用量子排序机来运转经典之作机器自学复杂排序的部分，首先要把经典之作统计数据转换成物理统计数据。
然后把物理统计数据输入物理排序机，用物理演算法排序完成后输出。由于输出的排序结果依然是物理共振态的，所以最后还需要进行测量，把经典之作数据提取出来。
虽然物理排序的特性和机器自学非常契合，但整体来说物理机器自学还处在初级阶段。并且，不是所有的经典之作机器自学演算法都能用物理排序加速。
物理机器自学演算法实用化的硬件条件也还没有成熟。据科技日报报道，在通用物理排序机建造成功以后，物理机器自学演算法很难在实际应用应用领域中展现出其统计数据处理方面的强大能力。
这次开放源码 TensorFlow Quantum 的 Google，也是一直在打造出自己的物理排序机。2019 年 10 月 23 日，Google 在 Nature 上刊登了关于 “实现物理优越性” 的论文 ，他们制造出了 53 个物理BCC数的物理排序机，排序能力超经典之作超级排序机。同样的排序量，物理排序机用 200 秒就完成了，而目前最强的经典之作超级排序机，要花费 10000 年才能完成。
“物理优越性” 是指物理排序机能完成经典之作排序机无法做到的事情。这个概念最早由加州理工学院理论物理教授 John Preskill 在 2012 年提出。
▲（Google CEO 桑德尔·皮蔡和物理排序机）
Google 用 53 个物理BCC实现了“物理优越性”是两个里程碑式的事件，但离通用物理排序机的要求（通常认为需要 100 万个物理BCC）还是很遥远。尽管如此，依然有越来越多学术机构和公司投入到了物理机器自学应用领域。并且，在一些具体的场景（如图像分类），物理机器自学也已经被证明了其可行性。
