AlphaZero在国际象棋和星际争霸中击败了人类，现在它正在与量子计算机合作

 
丹麦奥尔胡斯大学的一组研究人员让DeepMind的AlphaZero算法在一些量子计算优化问题上松懈了，令所有人惊讶的是，人工智能能够在没有任何外部专家知识的情况下解决这些问题。对于旨在在象棋和星际争霸等游戏中获胜的机器学习范例而言，这还不错。
您可能已经听说过DeepMind及其AI系统。总部位于英国的Google姐妹公司同时负责AlphaZero和AlphaGo，这两种系统在国际象棋和围棋游戏中击败了世界上最熟练的人。本质上，这两个系统都在尝试找出最佳的下一组动作。在人类只能想到前方那么多“动作”的地方，人工智能可以使用优化的搜索和计划方法来进一步寻找。
当Aarhus团队将AlphaZero的优化功能应用于与优化量子功能相关的三项问题时(对于量子计算世界来说这是一个开放性问题)，他们了解到其无监督学习新参数的能力从游戏转移到了应用程序。
根据研究：
AlphaZero在引导树搜索中结合了深度神经网络和深度神经网络，可用于量子参数态的预测隐变量近似。为了强调可传递性，我们仅使用一组常见的算法超参数就三类控制问题应用该算法并对其进行基准测试。
对于AlphaZero掌握量子宇宙的意义可能是巨大的。控制量子计算机需要AI解决方案，因为在量子水平上的操作很快会被人类无法计算。 AI可以找到数据集群之间的最佳路径，以便与计算机处理器一起出现更好的解决方案。它的工作原理很像人类启发法，只是扩展到第n级。
这样的一个例子是一种算法，它可以帮助量子计算机对几乎无限的分子组合进行分类，从而得出可用于治疗某些疾病的化合物。当前的范例将涉及开发一种算法，该算法依赖于人类的专业知识和数据库以及先前的发现，以将其指向正确的方向。
但是，我们正在寻找的量子计算机要解决的这类问题并不总是一个好的起点。其中一些优化问题(例如“旅行推销员问题”)需要一种能够解决问题且无需开发人员不断调整的算法。
DeepMind的算法和AI系统可能是量子计算一直在等待的解决方案。研究人员有效地将AlphaZero用作“ Tabula Rasa”以进行量子优化：不一定需要人类专业知识才能在量子计算级别上找到问题的最佳解决方案。
值得一提的是，到目前为止，AlphaZero只是解决了一些问题以证明概念，这才让我们开始担心无监督的AI访问量子计算机。我们知道这些算法可以处理量子优化，现在是时候弄清楚我们可以做什么。
研究人员已经受到大型科技公司和其他学术机构的兴趣，他们对与未来研究的合作有疑问。当然，DeepMind的姊妹公司Google也有自己的量子计算程序。我们相信这不是我们最后一次听说AlphaZero在量子计算世界的冒险经历。