Skoltech的科学家们已经证明，量子增强机器学习可以用于量子(而不是传统的)数据，克服了这些应用常见的显著放缓，并为“发展量子系统的计算洞察力开辟了沃土”。这篇论文发表在《物理评论A》杂志上。

 

量子计算机利用量子力学效应来存储和操作信息。虽然量子效应经常被认为是违反直觉的，但这种效应将使量子增强计算大大超过最好的超级计算机。2019年，谷歌展示了一个量子计算的原型。

 

量子算法被开发用来增强一系列不同的计算任务;最近，杏耀代理开户这已经发展到包括量子增强机器学习。量子机器学习在一定程度上是由Skoltech的基于居民的量子信息处理实验室首创的，该实验室由Jacob Biamonte领导，他是这篇论文的合作者。机器学习技术已经成为在数据中寻找模式的强大工具。量子系统产生的非典型模式被认为是经典系统无法有效产生的，因此，量子计算机在机器学习任务上可能比经典计算机表现更好，这并不奇怪。

 

量子增强机器学习的标准方法是将量子算法应用于经典数据。换句话说，在使用量子效应之前，经典数据(由1和0的位串表示)必须被存储或由量子处理器以其他方式表示。这称为数据读取问题。数据读取限制了量子增强机器学习算法可能带来的加速。

 

Skoltech的一组研究人员将量子增强机器学习与量子增强模拟相结合，将他们的方法应用于多体量子磁问题的相变研究。在此过程中， 杏耀 ，他们只使用量子态作为数据来训练量子神经网络。换句话说，作者通过输入物质的量子力学状态来绕过数据读取的问题。使用标准(非量子)方法来表示这种状态通常需要不可能的内存量。

 

该研究的主要作者，斯科尔理工学院的博士生阿列克谢·乌瓦洛夫(Alexey Uvarov)将这项研究描述为“在理解量子设备对机器学习的作用方面迈出了一步。”研究人员合并了各种各样的技术，其中包括应用一些来自张量网络和纠缠理论的思想来分析他们的方法。

 

该工作使用一个子程序称为变分量子本征解算器(VQE)——一种迭代地找到给定量子哈密顿量基态近似值的算法。这个子程序的输出是一组在量子计算机上准备量子状态的指令。

 

但是，显式地写入状态通常需要指数级的内存，因此最好通过在硬件中准备状态来检查这种状态的属性。本文的学习算法处理如下问题:给定一个求解量子自旋模型基态问题的VQE状态，找出该状态属于两相中的哪一种。

 

Biamonte指出:“虽然我们的方法集中在凝聚态物理问题上，杏耀注册但这种量子增强算法同样适用于材料科学和药物发现面临的挑战。”