想要提升生成式 AI 的準確性只能靠強化模型參數與算力嗎？來自英國倫敦大學的最新研究揭示了另一條不同的技術路徑。該研究開發了一種將 AI 與量子運算相結合的方法，不只將預測準確度提升 20%，還可以將記憶體需求壓縮至原本的數百分之一，為 AI 效率與穩定性瓶頸提供新解法。
這項研究發表於學術期刊《Science Advances》，提出一套名為「量子輔助機器學習（Quantum-informed Machine Learning, QIML）」的框架。量子電腦首先在數據中識別出跨時間保持穩定的統計規律，也就是所謂的「不變統計特性（invariant statistical properties）」，再將這些規律轉化為精簡的「量子先驗（Q-Prior）」，輸入於傳統超級電腦上的 AI 模型進行訓練。
準確度提升 20%，長時間預測不再發散
研究團隊指出，傳統機器學習與生成式 AI 模型在面對複雜動態系統時，往往難以維持長期預測的穩定性與準確度，主因在於誤差會隨時間累積，且難以捕捉系統中的不變統計特性。
然而，研究團隊將新方法應用於流體力學與混沌系統預測時，結果顯示，相較於傳統 AI 模型，新方法的預測準度提升約 20%，同時在長時間預測中維持更高穩定性。
除了準確度、穩定性提升，另一項關鍵突破在於運算效率。科學媒體《SciTechDaily》，該研究顯示，該量子 AI 模型所需的記憶體，僅為傳統方法的數百分之一，甚至可將數百 MB 的資料壓縮至數 MB 等級，同時保留關鍵資訊。
具體來說，Kuramoto-Sivashinsky 系統的原始資料為 300 MB，壓縮後的量子先驗僅 0.25 MB，壓縮比約 1,200 倍；二維 Kolmogorov 流的原始資料為 400 MB，壓縮後為 0.40 MB，壓縮比約 1,000 倍；三維湍流通道流（Turbulent Channel Flow）的原始資料為 500 MB，壓縮後為 2.3 MB，壓縮比約 200 倍。
研究論文中進一步指出，若以傳統神經網路實現同等表達能力，在 1,024 個空間點的網格上至少需要約 25 萬個可訓練參數，而 10 量子位元的量子先驗僅需不到 300 個參數，差距達三個數量級。
《ScienTechDaily》指出，該研究成果有望提升液體和氣體流動與交互作用的模擬準確度，而這類預測對於氣候科學、交通運輸、醫療以及能源生產等領域都非常重要。
為什麼量子運算有助於提升準確性？
根據研究團隊，這種效率源於量子力學的兩個關鍵特性。第一是「糾纏（entanglement）」，指每個量子位元（qubit）都能影響其他量子位元，無論彼此距離多遠。第二是「疊加（superposition）」，代表量子位元在被測量前，可以同時存在於多種經典狀態之中。正因這些特性，即使只有少量量子位元，量子電腦仍能展現出極為強大的運算能力。
研究人員指出，量子電腦之所以能以更精簡的方式捕捉流體力學這類複雜系統的底層物理，也可能與其「類量子」的混沌特性有關，也就是系統中某一部分的變化，會影響到距離遙遠的另一部分。
這個研究的研究方法也刻意避開當前量子電腦雜訊高、易出錯與受干擾而需大量測量的限制，改為只在整個流程中的單一階段使用量子設備，而不是在傳統與量子系統之間頻繁來回傳輸資料。為了達到量子態，研究中的量子電腦被冷卻到攝氏零下 273 度。
【推薦閱讀】
◆ 當量子開始挑戰 GPU 霸權：NVIDIA 推開放 AI 模型 Ising，想先當量子機器的作業系統
＊本文開放合作夥伴轉載，資料來源：《ScienTechDaily》、《ScienceDaily》、Science Advances、《eurekalert》，首圖來源：Freepik
