近期量子计算机中量子辅助机器学习的机会与挑战

随着量子计算技术接近商业化与量子霸权时代，机器学习（ML）成为最有前景的“杀手级”应用之一。尽管已有大量努力，但大多数量子机器学习提案、机器学习实践者的需求以及近期量子设备展示量子增强的能力之间仍存在脱节。在这篇针对“用 1000 个量子比特你会做什么？”专题文集的投稿中，我们提供了近期设备可能增强的难解机器学习任务的具体示例。我们认为，要达到这一目标，重点应放在机器学习研究者正面临困难的领域，如无监督与半监督学习中的生成模型，而非流行且更易处理的监督学习技术。我们还强调了具有潜在类量子统计关联的经典数据集案例，其中量子模型可能更为适用。我们聚焦于量子-经典混合方法，并阐述了我们在近期实现中预见的一些关键挑战。最后，我们介绍了量子辅助亥姆霍兹机（QAHM），这是一种利用近期量子设备处理连续变量高维数据集的尝试。与以往用量子计算机辅助深度学习的方法不同，QAHM 使用深度学习提取数据的低维二值表示，适用于相对较小的量子处理器，以辅助无监督生成模型的训练。尽管我们在量子退火器上阐释了这一概念，其他量子平台同样可从此混合量子-经典框架中受益。