两股“科技顶流”的碰撞，可能会为整个行业带来一场前所未有的创新革命。

量子计算与人工智能，就是这么一对有着“天作之合”的颠覆性技术。未来人工智能的飞跃，或许要依赖于量子计算所赋予的强大动力；而量子技术的商业化征途，亦需与AI技术深度融合，才能开疆拓土。

在量子与人工智能交织的领域中，有这样一个分支，它不仅逐渐成为学界研究的热点，还吸引了全球科技巨头的关注。有学者预言，人工智能的下一个重大突破，或将在此孕育。

量子机器学习，到底有什么魔力？

1.巨头和学界都青睐，这个领域有点热

2022年6月，谷歌和微软的科研团队证明了当前的NISQ量子处理器能够实现显著的量子优势，这种优势呈现出指数增长趋势，且所需的量子资源相对适中。

具体而言，量子系统在进行学习时，所需的样本数量远少于传统方法。他们提出并探讨了三类学习任务，这些任务展现出了指数级的量子优势：预测物理系统的特性、执行量子主成分分析(QPCA)、以及学习物理动态过程。

来源：谷歌

宝马和英伟达也不甘落后。

去年，宝马集团在一份量子机器学习应用的基准测试报告中，展示了英伟达的cuQuantum SDK在加速量子电路模拟方面的显著效果。

事实上，在汽车制造领域，许多计算密集型问题都非常适合应用量子计算技术，如新材料的研发、部件设计的优化、制造流程的改进以及风险评估的精确化。

研究数据表明，宝马集团的科研人员仅需对现有代码库进行微小调整，便能激活cuQuantum SDK的强大潜力，实现对30量子比特系统的模拟。

他们在利用英伟达A100 Tensor Core 40 GB GPU进行量子机器学习任务时，发现cuQuantum SDK将量子电路模拟的速度提升了300倍，将原本需要8小时的迭代过程缩短至几分钟，凸显了量子机器学习在汽车行业中的应用优势。

来源：宝马

全球的科研工作者正在投入巨大的精力，探索量子计算机是否能够更高效地解决传统机器学习所面临的一些难题。

今年3月，柏林自由大学的研究小组公布了一项具有里程碑意义的研究成果，揭示了量子神经网络在学习与记忆看似无序的数据方面的独特能力。

该研究团队专注于量子神经网络——这是量子机器学习领域中一项备受期待的新技术。他们发现这些网络不仅能学习数据，还能进行记忆，这挑战了我们对量子模型学习新数据并进行泛化的传统理解。

来自柏林自由大学和海因里希-赫兹研究所的研究员Elies Gil-Fuster这样形容这一发现的重要性：“这就好像发现一个6岁的孩子不仅能记住一串随机数字，还能背诵乘法表一样令人震惊。我们的实验显示，这些量子神经网络在拟合随机数据和标签方面表现出色，这挑战了我们对学习与泛化的常规认识。”

图：《理解量子机器学习还需要重新思考泛化》

来源：Nature

此项研究不仅凸显了量子神经网络的内在记忆能力，也为理论研究的深入和实际应用的开发开辟了新路径。研究者们强调，这些新发现的重要性“堪比物理学大发现”，它们有潜力彻底改变量子机器学习模型的发展轨迹。

在科技进步日新月异的当下，深入理解这些微妙的差异，可能是推动量子机器学习领域进一步发展的关键。

2.了解QML之前，首先需要知道这些

量子机器学习(QML)是一个新兴的研究领域，它正在将量子计算的潜力与人工智能(AI)的智慧紧密结合，开拓出一条解决复杂问题的新途径。量子计算之所以能与AI“顺利会师”，源于量子计算对AI核心需求——算法加速的精准满足。

作为AI的中枢，机器学习在过去十余年里迅猛发展，其影响力已扩展至多个行业。近几年，研究者们发现，量子计算的特性能够显著提升机器学习算法的效率，这一突破性发现吸引了广泛关注，迅速成为研究的热点。

量子计算是一种依托于量子力学原理的计算技术，通过量子比特的叠加和纠缠，它展现出高效处理庞大数据集和攻克经典计算难题的能力。

机器学习赋予了计算机自我学习和提升的能力，通过分析大量的训练数据，机器学习使计算机能够自动识别和掌握数据背后的规律与趋势。借助这些规律，计算机能够进行智能预测，并做出决策。

量子计算与机器学习的结合，称为量子机器学习。量子机器学习的目标，就是借助量子计算的并行性和纠缠等独特优势，提高机器学习模型的训练效率和推理能力，同时还能够为量子技术的应用开拓新天地——两项技术都能从中分得一杯羹。

尽管量子机器学习尚在起步阶段，但诸如量子支持向量机和量子神经网络等关键领域的进展，已经证明了其巨大潜力。随着量子计算和机器学习技术的持续进步，量子机器学习有望成为科研的前沿领域，为AI的未来发展开辟新的方向与机遇。

3.量子机器学习，优势何在？

之所以将QML称作一项变革性技术，是因为它弥合了量子计算和人工智能之间的差距，QML也因此能够解决许多经典方法难以应对的复杂问题。具体来说，QML的优势主要如下：

(1)增强计算能力

量子计算的并行处理能力，使QML算法能够比经典方法更有效地处理大型数据集。这一优势有助于更快地训练机器学习模型，解决经典计算机难以解决的复杂问题。

利用叠加的量子位，量子计算可以同时执行多个计算，为某些问题提供指数级的加速。这对于需要实时数据处理和决策的应用程序尤为重要，例如金融建模、医疗保健诊断和气候建模，在这些应用程序中，快速和准确的分析至关重要。

(2)改进优化技术

量子优化算法，如量子近似优化算法(QAOA)和变分量子本征求解器(VQE)，可以通过提供优化问题的优越解决方案来提高模型性能。

通过同时评估多种可能性，这些算法能比传统方法更全面地探索解空间。这种能力对于训练复杂的ML(经典机器学习)模型、调整超参数以及优化各种工业过程和科学研究非常有用。

(3)高级的特征选择

特征选择是机器学习的一个关键方面，重点是识别有助于提升模型准确性的最相关特征。通过识别高维数据空间中的模式和相关性，QML技术能够实现有效的特征选择。

量子主成分分析(QPCA)利用量子态的高维空间来揭示特征之间的复杂关系，从而提高模型的准确性和可解释性。这在基因组学等领域很有价值——在这些领域，理解复杂的特征相互作用对于预测建模和研究至关重要。 

(4)强大的隐私保护

量子密码技术可以增强数据隐私。利用这些技术，QML可以在模型训练和部署期间保护数据传输和敏感信息。

QKD(量子密钥分发)提供了理论上牢不可破的加密，保护数据免受高级网络威胁。这种级别的安全性对于涉及敏感信息(如医疗记录、金融交易和个人数据)的应用程序至关重要，可以确保数据在整个ML管道中保持安全。

(5)提升泛化能力

量子机器学习的泛化能力，指的是量子模型在处理未见过的数据时，能够准确预测或分类的能力。这种能力对于任何数据驱动的策略来说都是至关重要的，它使得模型能够将从训练数据中学习到的规律推广到新的情境中去。

通过利用量子纠缠来捕获复杂的数据关系，QML能够在一定程度上提高机器学习模型的泛化能力。与经典模型相比，QML模型可以更有效地表示变量之间复杂的依赖关系。这种增强的功能使QML模型能够更好地从训练数据推广到新数据，从而提高预测的准确性。

总之，QML代表了量子计算与人工智能集成方面的重大进步，提供了强大的计算能力、优化技术、特征选择、数据隐私和泛化能力。这种集成具有解决复杂问题和提高跨不同领域性能的潜力。

4.解锁量子密码：QML的工作原理

QML的基本工作流程与原理概述如下：

1. 量子数据编码

在QML中，经典数据必须被编码为量子态。此过程将经典数据映射到量子希尔伯特空间，从而允许在其上执行量子运算。所涉及的编码技术包括：

(1)振幅编码，将经典数据编码为量子态的振幅。

(2)基编码，将经典数据映射到量子系统的基态。

(3)量子比特编码，将数据直接表示为量子比特状态。

将数据编码为量子态对于利用量子计算的并行处理能力至关重要。编码方法的选择会影响QML算法的效率和准确性，因此它是量子数据处理中的关键步骤。

2. 量子运算和算法

量子算法是QML的核心，包括：

(1)量子傅里叶变换(QFT)：用于将量子态转换为频率空间。

(2)量子相位估计(QPE)：估计与酉算子关联的特征值的相位。

(3)Grover算法：为非结构化搜索问题提供二次加速。

凭借叠加和纠缠等特性，这些量子算法能比经典算法更有效地执行计算。它们使QML算法能够有效地处理复杂的数据转换和优化问题。

3. 量子测量

在量子操作之后，必须测量量子态以获得经典信息。测量将量子态坍缩为经典结果，从而可以解释结果。主要考虑因素包括：

(1)最小化测量误差：确保准确且有意义的结果。

(2)从量子过渡到经典：避免可能影响QML模型有效性的不准确。

测量对于将量子结果集成到经典系统中以及验证QML算法的性能至关重要。

4. 混合量子-经典模型

混合模型结合了量子组件和经典组件，以优化性能和可扩展性。这些模型集成了：

(1)经典优化技术：与量子数据处理一起使用。

(2)量子数据处理：利用其计算优势。

混合模型通过利用量子和经典资源为QML提供了一种实用的方法。这种集成使得开发可扩展且稳健的QML算法成为可能，适用于各种实际问题，使QML在不同领域中更易于访问和更具影响力。

5.优势很多，但挑战也不小

尽管上文概述了QML的许多可能性，但QML仍在努力应对几项重大挑战。

对于经典数据，需要有效的编码方案将其映射到量子态。然而，目前存在的编码方案可能无法同时满足类比性(classical simulability)和实用性(practical distinguishability)的要求。

现有的量子硬件存在噪声问题，如退相干和测量噪声，这些噪声会影响QML模型的训练过程，可能导致训练效率降低或结果不准确。

图：量子比特容易受到噪声干扰

尽管量子计算机理论上能够为某些任务提供超越经典计算机的性能，但在QML中实现这一量子优势仍具有挑战性，需要探索哪些具体应用能够最大程度地从量子特性中受益。

此外，开发高效的QML算法也很复杂，需要研究者同属具备量子计算和机器学习方面的专业知识。将QML与经典系统集成会带来互操作性挑战，因此需要开发无缝的混合工作流程。应对这些挑战，对于QML的实际实施和采用至关重要。

6.未来展望

综上所述，量子机器学习的未来极具发展潜力。当前所面临的挑战正逐步被研究和进步所克服。随着量子硬件技术的不断改进，QML将更具实用价值，其可扩展性也将得到显著提升，使得QML能够在众多领域中开拓新的应用场景。

展望未来，QML与经典机器学习框架的紧密集成，将催生混合模型的发展。这种模型将融合量子计算和经典计算的优势，实现性能上的卓越飞跃。

QML是量子计算与人工智能领域的重要里程碑。它利用量子力学的内在特性，为计算能力、优化技术和数据处理带来了革新。技术的持续进步将不断缩短量子计算与人工智能之间的距离，开启新的视野，激发这一领域乃至更广泛范畴的创新潜力。

参考链接

[1]https://www.azoquantum.com/Article.aspx?ArticleID=535

[2]https://onlinelibrary.wiley.com/doi/abs/10.1002/que2.34

[3]https://www.thesciencebrigade.com/jst/article/view/67

[4]https://dlabi.org/index.php/journal/article/view/47

[5]https://ieeexplore.ieee.org/abstract/document/10398184

[6]https://ieeexplore.ieee.org/abstract/document/9268987

[7]https://www.nature.com/articles/s41467-022-32550-3

[8]https://dl.acm.org/doi/abs/10.1145/3575879.3576024

[9]https://www.nature.com/articles/s41467-024-45882-z

---

本文转载自微信公众号：光子盒

两股“科技顶流”的碰撞，可能会为整个行业带来一场前所未有的创新革命。

量子计算与人工智能，就是这么一对有着“天作之合”的颠覆性技术。未来人工智能的飞跃，或许要依赖于量子计算所赋予的强大动力；而量子技术的商业化征途，亦需与AI技术深度融合，才能开疆拓土。

在量子与人工智能交织的领域中，有这样一个分支，它不仅逐渐成为学界研究的热点，还吸引了全球科技巨头的关注。有学者预言，人工智能的下一个重大突破，或将在此孕育。

量子机器学习，到底有什么魔力？

1.巨头和学界都青睐，这个领域有点热

2022年6月，谷歌和微软的科研团队证明了当前的NISQ量子处理器能够实现显著的量子优势，这种优势呈现出指数增长趋势，且所需的量子资源相对适中。

具体而言，量子系统在进行学习时，所需的样本数量远少于传统方法。他们提出并探讨了三类学习任务，这些任务展现出了指数级的量子优势：预测物理系统的特性、执行量子主成分分析(QPCA)、以及学习物理动态过程。

来源：谷歌

宝马和英伟达也不甘落后。

去年，宝马集团在一份量子机器学习应用的基准测试报告中，展示了英伟达的cuQuantum SDK在加速量子电路模拟方面的显著效果。

事实上，在汽车制造领域，许多计算密集型问题都非常适合应用量子计算技术，如新材料的研发、部件设计的优化、制造流程的改进以及风险评估的精确化。

研究数据表明，宝马集团的科研人员仅需对现有代码库进行微小调整，便能激活cuQuantum SDK的强大潜力，实现对30量子比特系统的模拟。

他们在利用英伟达A100 Tensor Core 40 GB GPU进行量子机器学习任务时，发现cuQuantum SDK将量子电路模拟的速度提升了300倍，将原本需要8小时的迭代过程缩短至几分钟，凸显了量子机器学习在汽车行业中的应用优势。

来源：宝马

全球的科研工作者正在投入巨大的精力，探索量子计算机是否能够更高效地解决传统机器学习所面临的一些难题。

今年3月，柏林自由大学的研究小组公布了一项具有里程碑意义的研究成果，揭示了量子神经网络在学习与记忆看似无序的数据方面的独特能力。

该研究团队专注于量子神经网络——这是量子机器学习领域中一项备受期待的新技术。他们发现这些网络不仅能学习数据，还能进行记忆，这挑战了我们对量子模型学习新数据并进行泛化的传统理解。

来自柏林自由大学和海因里希-赫兹研究所的研究员Elies Gil-Fuster这样形容这一发现的重要性：“这就好像发现一个6岁的孩子不仅能记住一串随机数字，还能背诵乘法表一样令人震惊。我们的实验显示，这些量子神经网络在拟合随机数据和标签方面表现出色，这挑战了我们对学习与泛化的常规认识。”

图：《理解量子机器学习还需要重新思考泛化》

来源：Nature

此项研究不仅凸显了量子神经网络的内在记忆能力，也为理论研究的深入和实际应用的开发开辟了新路径。研究者们强调，这些新发现的重要性“堪比物理学大发现”，它们有潜力彻底改变量子机器学习模型的发展轨迹。

在科技进步日新月异的当下，深入理解这些微妙的差异，可能是推动量子机器学习领域进一步发展的关键。

2.了解QML之前，首先需要知道这些

量子机器学习(QML)是一个新兴的研究领域，它正在将量子计算的潜力与人工智能(AI)的智慧紧密结合，开拓出一条解决复杂问题的新途径。量子计算之所以能与AI“顺利会师”，源于量子计算对AI核心需求——算法加速的精准满足。

作为AI的中枢，机器学习在过去十余年里迅猛发展，其影响力已扩展至多个行业。近几年，研究者们发现，量子计算的特性能够显著提升机器学习算法的效率，这一突破性发现吸引了广泛关注，迅速成为研究的热点。

量子计算是一种依托于量子力学原理的计算技术，通过量子比特的叠加和纠缠，它展现出高效处理庞大数据集和攻克经典计算难题的能力。

机器学习赋予了计算机自我学习和提升的能力，通过分析大量的训练数据，机器学习使计算机能够自动识别和掌握数据背后的规律与趋势。借助这些规律，计算机能够进行智能预测，并做出决策。

量子计算与机器学习的结合，称为量子机器学习。量子机器学习的目标，就是借助量子计算的并行性和纠缠等独特优势，提高机器学习模型的训练效率和推理能力，同时还能够为量子技术的应用开拓新天地——两项技术都能从中分得一杯羹。

尽管量子机器学习尚在起步阶段，但诸如量子支持向量机和量子神经网络等关键领域的进展，已经证明了其巨大潜力。随着量子计算和机器学习技术的持续进步，量子机器学习有望成为科研的前沿领域，为AI的未来发展开辟新的方向与机遇。

3.量子机器学习，优势何在？

之所以将QML称作一项变革性技术，是因为它弥合了量子计算和人工智能之间的差距，QML也因此能够解决许多经典方法难以应对的复杂问题。具体来说，QML的优势主要如下：

(1)增强计算能力

量子计算的并行处理能力，使QML算法能够比经典方法更有效地处理大型数据集。这一优势有助于更快地训练机器学习模型，解决经典计算机难以解决的复杂问题。

利用叠加的量子位，量子计算可以同时执行多个计算，为某些问题提供指数级的加速。这对于需要实时数据处理和决策的应用程序尤为重要，例如金融建模、医疗保健诊断和气候建模，在这些应用程序中，快速和准确的分析至关重要。

(2)改进优化技术

量子优化算法，如量子近似优化算法(QAOA)和变分量子本征求解器(VQE)，可以通过提供优化问题的优越解决方案来提高模型性能。

通过同时评估多种可能性，这些算法能比传统方法更全面地探索解空间。这种能力对于训练复杂的ML(经典机器学习)模型、调整超参数以及优化各种工业过程和科学研究非常有用。

(3)高级的特征选择

特征选择是机器学习的一个关键方面，重点是识别有助于提升模型准确性的最相关特征。通过识别高维数据空间中的模式和相关性，QML技术能够实现有效的特征选择。

量子主成分分析(QPCA)利用量子态的高维空间来揭示特征之间的复杂关系，从而提高模型的准确性和可解释性。这在基因组学等领域很有价值——在这些领域，理解复杂的特征相互作用对于预测建模和研究至关重要。 

(4)强大的隐私保护

量子密码技术可以增强数据隐私。利用这些技术，QML可以在模型训练和部署期间保护数据传输和敏感信息。

QKD(量子密钥分发)提供了理论上牢不可破的加密，保护数据免受高级网络威胁。这种级别的安全性对于涉及敏感信息(如医疗记录、金融交易和个人数据)的应用程序至关重要，可以确保数据在整个ML管道中保持安全。

(5)提升泛化能力

量子机器学习的泛化能力，指的是量子模型在处理未见过的数据时，能够准确预测或分类的能力。这种能力对于任何数据驱动的策略来说都是至关重要的，它使得模型能够将从训练数据中学习到的规律推广到新的情境中去。

通过利用量子纠缠来捕获复杂的数据关系，QML能够在一定程度上提高机器学习模型的泛化能力。与经典模型相比，QML模型可以更有效地表示变量之间复杂的依赖关系。这种增强的功能使QML模型能够更好地从训练数据推广到新数据，从而提高预测的准确性。

总之，QML代表了量子计算与人工智能集成方面的重大进步，提供了强大的计算能力、优化技术、特征选择、数据隐私和泛化能力。这种集成具有解决复杂问题和提高跨不同领域性能的潜力。

4.解锁量子密码：QML的工作原理

QML的基本工作流程与原理概述如下：

1. 量子数据编码

在QML中，经典数据必须被编码为量子态。此过程将经典数据映射到量子希尔伯特空间，从而允许在其上执行量子运算。所涉及的编码技术包括：

(1)振幅编码，将经典数据编码为量子态的振幅。

(2)基编码，将经典数据映射到量子系统的基态。

(3)量子比特编码，将数据直接表示为量子比特状态。

将数据编码为量子态对于利用量子计算的并行处理能力至关重要。编码方法的选择会影响QML算法的效率和准确性，因此它是量子数据处理中的关键步骤。

2. 量子运算和算法

量子算法是QML的核心，包括：

(1)量子傅里叶变换(QFT)：用于将量子态转换为频率空间。

(2)量子相位估计(QPE)：估计与酉算子关联的特征值的相位。

(3)Grover算法：为非结构化搜索问题提供二次加速。

凭借叠加和纠缠等特性，这些量子算法能比经典算法更有效地执行计算。它们使QML算法能够有效地处理复杂的数据转换和优化问题。

3. 量子测量

在量子操作之后，必须测量量子态以获得经典信息。测量将量子态坍缩为经典结果，从而可以解释结果。主要考虑因素包括：

(1)最小化测量误差：确保准确且有意义的结果。

(2)从量子过渡到经典：避免可能影响QML模型有效性的不准确。

测量对于将量子结果集成到经典系统中以及验证QML算法的性能至关重要。

4. 混合量子-经典模型

混合模型结合了量子组件和经典组件，以优化性能和可扩展性。这些模型集成了：

(1)经典优化技术：与量子数据处理一起使用。

(2)量子数据处理：利用其计算优势。

混合模型通过利用量子和经典资源为QML提供了一种实用的方法。这种集成使得开发可扩展且稳健的QML算法成为可能，适用于各种实际问题，使QML在不同领域中更易于访问和更具影响力。

5.优势很多，但挑战也不小

尽管上文概述了QML的许多可能性，但QML仍在努力应对几项重大挑战。

对于经典数据，需要有效的编码方案将其映射到量子态。然而，目前存在的编码方案可能无法同时满足类比性(classical simulability)和实用性(practical distinguishability)的要求。

现有的量子硬件存在噪声问题，如退相干和测量噪声，这些噪声会影响QML模型的训练过程，可能导致训练效率降低或结果不准确。

图：量子比特容易受到噪声干扰

尽管量子计算机理论上能够为某些任务提供超越经典计算机的性能，但在QML中实现这一量子优势仍具有挑战性，需要探索哪些具体应用能够最大程度地从量子特性中受益。

此外，开发高效的QML算法也很复杂，需要研究者同属具备量子计算和机器学习方面的专业知识。将QML与经典系统集成会带来互操作性挑战，因此需要开发无缝的混合工作流程。应对这些挑战，对于QML的实际实施和采用至关重要。

6.未来展望

综上所述，量子机器学习的未来极具发展潜力。当前所面临的挑战正逐步被研究和进步所克服。随着量子硬件技术的不断改进，QML将更具实用价值，其可扩展性也将得到显著提升，使得QML能够在众多领域中开拓新的应用场景。

展望未来，QML与经典机器学习框架的紧密集成，将催生混合模型的发展。这种模型将融合量子计算和经典计算的优势，实现性能上的卓越飞跃。

QML是量子计算与人工智能领域的重要里程碑。它利用量子力学的内在特性，为计算能力、优化技术和数据处理带来了革新。技术的持续进步将不断缩短量子计算与人工智能之间的距离，开启新的视野，激发这一领域乃至更广泛范畴的创新潜力。

参考链接

[1]https://www.azoquantum.com/Article.aspx?ArticleID=535

[2]https://onlinelibrary.wiley.com/doi/abs/10.1002/que2.34

[3]https://www.thesciencebrigade.com/jst/article/view/67

[4]https://dlabi.org/index.php/journal/article/view/47

[5]https://ieeexplore.ieee.org/abstract/document/10398184

[6]https://ieeexplore.ieee.org/abstract/document/9268987

[7]https://www.nature.com/articles/s41467-022-32550-3

[8]https://dl.acm.org/doi/abs/10.1145/3575879.3576024

[9]https://www.nature.com/articles/s41467-024-45882-z

---

本文转载自微信公众号：光子盒