量子机器学习有什么优点？

我认为量子机器学习有加快运算速度、更多计算空间、独特的量子数据三个优点。

传统的机器学习已经在商业领域获得了广泛的应用。量子机器学习，也许比 量子计算的任何其他领域都更受到关注。要想从炒作中探出真相，我们必须清楚 为什么我们期待量子带来优势。

反量化（De-Quantization）——进程并不总是一帆风顺的。Kerenidis 和 Prakash 的推荐系统最初虽然提供了指数级加速，但后来改进的经典算法将其简化为（仍 然相当可观的）多项式之一。同样的方法也影响了其他流行的机器学习技术的量 子算法，包括主成分分析和最近质心聚类。

1）加快运算速度

量子可以提供帮助的一个明显方式就是加速经典技术。HHL 允许对线性代 数进行非常普遍的加速，但仅适用于本机量子数据和输出。Grover 算法允许在许 多非结构化搜索应用程序中实现非常普遍的平方加速。但是这些技术真的可以在 实践中使用吗？

对于直接加速传统机器学习技术的大多数尝试而言，最持久的困难是要求技 术能够有效地加载数据，然后由量子设备进行叠加查询。我们还不知道如何构建 这样的 QRAM（量子 RAM）技术。

Google 和麻省理工学院（MIT）最近发表了一份研究报告，明确地展示了“宽 和深”神经网络如何在训练中实现指数级加速。具体来说，这利用了深度学习中 的神经切线核模型。这项工作展示了如何解决 QML 通常面临的四个“读出细则” 异议中的三个。然而，我们仍然不知道如何构建 QRAM 硬件。 QC Ware 的专利数据加载器协议是一个值得注意的工具，

QC Ware 的专利数据加载器协议是一个值得注意的工具，它试图减少（如果 不能克服的话）QRAM 瓶颈。 QC Ware 在 11 量子比特 IonQ 量子设备上进行了数据加载器技术的概念演示， 以实现流行的机器学习原语、最近质心分类器。

2）更多计算空间

与其“渴望 QRAM 奇迹”，Mattias Troyer（微软）鼓励该领域搁置“大数据” 问题，而专注于“小数据、大计算”问题。这类问题寻求从大的计算工作空间中获 益。这是量子计算机能够提供的独一无二的东西（由于量子比特系统巨大的希尔 伯特空间）。

Xanadu 指出，对于近期的 QML 方法，许多最有前途的技术实际上最好理解 为传统机器学习中所谓的核方法。

IBM 声称 2021 年是一个显著的里程碑，它提供了一个学习任务示例，该任 务可以提供指数级加速，但只需要对数据进行经典访问（尽管它确实需要 FTQC）。 这将构建的一系列数据集作为起点，因此很难用传统算法进行分类（它们基于离 散对数问题）。量子计算用作传统支持向量机的核函数。

IBM 还发表了量化 QNN（量子神经网络）与可比较的经典神经网络相比可 以实现的更高维度的工作，以及难以模拟的经典特征图在影响可训练性方面的作 用。

Pasqal 发布了一个专门定制的框架，以利用中性原子设备的可重构性来表示 图的核。

非线性微分方程组是一类突出的问题，它们可以被简洁地表达，但是需要大 量的计算资源来数值求解。这种方程出现在各种各样的科学和商业应用中，我们 需要对复杂的过程进行建模：从结构工程到航空航天，从化学到生物学，从金融 到流行病学。

Qu &Co 开发了一种新技术，用于处理近期量子计算机上的非线性微分方程， 即可微量子电路。这种方法训练 QNN 以使用大的可用希尔伯特空间来处理导数。 Qu & Co 还将这种方法扩展到随机微分方程。Qu & Co 已提交了一项涵盖其技术 的专利申请。

自从现代计算的概念提出以来，自然语言处理就是一个值得关注的领域，也 是近年来取得显著进展的一个领域。这是一个需要呈指数级增长的工作空间的问 题的一个很好的例子（想想为什么我们有单词词典而不是句子词典）。

剑桥量子已经将 QNLP（量子自然语言处理）确定为 QML 的一个特殊领域。 2021 年，他们报告了第一个实验结果。使用 5Q 的 IBM 设备对包含 130 个句子 和 105 个名词短语的数据集进行编码。

QNLP 利用了量子计算机提供的扩展计算空间。剑桥量子提出的形式主义和 量子力学的 ZX 微积分表示之间惊人的相似之处，这将是一个富有成效的方法。 或许，正如剑桥量子力学的首席科学家 Bob Coecke 所说的那样，“语言是量子 原生的”。

3）独特的量子数据

一个越来越重要的关注点是，当数据集中存在需要解决的量子关联或量子干 涉效应时，QML 应该能够超越经典机器学习。2021 年的工作已经开始将其形式 化和结构化，这既适用于学习任务，也适用于生成模型。

加州理工学院在 2021 年发表了一项研究，对不同机器学习模型的能力进行了界定：一种是传统的学习驱动，但使用量子系统的测量输出（例如，物理实验、 模拟量子模拟器或 VQA 的迭代），另一种是在学习过程中保持量子相干性（未 来的技术，可能有一天由 FTQC 实现）。一个关键的结果是经典驱动的 ML 可以 做得很好，在“平均情况”预测精度方面与完全量子学习的能力相当。完全量子 学习为“最坏情况”的预测准确性提供了进一步的指数优势。

Google 认为，支持量子可以为化学等领域的进步提供的最普遍的支持形式 不仅是对系统的理论模拟，还可能包括为经典驱动的机器学习生成量子数据集。

量子电路玻恩机（QCBM）是一种实现生成模型的 VQA。2021 年发表的研 究首次证明，一种特定类型的 QCBM，即伊辛玻恩机，可以执行任何经典计算 机都难以完成的采样任务。

我们期望找到包含量子相关性的数据的一个地方是量子传感器的输出。在量 子技术领域的其他领域，许多新的量子传感器正在积极开发中。然而，我们有时 会忘记基于 NMR（核磁共振）和 SQUID（超导量子干涉装置）的设备已经使用 多年（在医疗应用中，NMR 被称为 MRI）。

从实验中学习的量子优势——加州理工学院和 Google 的工作已经证明，在 学习量子态的性质方面有指数优势。这项工作要求我们从两个方面来考虑“悬铃 木”处理器。在第一种理论中，它的量子比特代表了某些假想物理实验的输出（或 一系列量子传感器的输出）。我们的任务是了解这种状态的一些性质（研究物理 或实验，或读出我们的传感器网络）。量子处理器的其余部分对这些输入执行纠 缠操作，然后将输出传递给经典的机器学习程序。与纯粹的经典方法相比，这种 方法能够以指数级的速度在更少的试验中了解状态的属性。

Google 发了一种用于核磁共振实验中检测到的量子辅助学习和系统表征算 法。他们提出了 NISQ 和 FTQC 应用的资源估算。

Qu & Co 还提议将其 DQC 技术扩展到模型发现，我们希望找到支撑输入数 据的微分方程。

在最冒险的情况下，有些人推测意识与量子波函数坍缩之间存在联系。事实上，“客观坍缩”理论长期以来一直被视为扩展量子力学的一种可能方式。Hartmut Neven（Google 量子 AI 的负责人）推测，波函数坍缩可能是一种有用的方式来 理解我们将越来越需要分配给高级 AI 系统的“代理”。也许更多的人将不得不开 始注意这种想法。