本文共 707 字，大约阅读时间需要 2 分钟。

在《自然》杂志最近发表的一篇中，IBM和其他机构的研究人员设计了两种量子算法，利用变分量子电路和量子核估计器来训练一种支持向量机分类器。这两种算法背后的关键思想是使用量子状态空间作为特征空间表示，有效地构建映射，从原始数据中识别重要特征。正确识别数据中的特征对于构建分类器来说至关重要，但是对于大型数据集来说，往往需要很大的计算开销。

我们的研究表明，未来几年，随着量子计算机越来越强大，以及量子体积的增加，它们将能够执行特征映射（机器学习的重要组成部分），可以大规模处理高度复杂的数据结构，远远超出最强大的经典计算机。

这就是指数级量子状态空间和量子计算机并行能力发挥作用的地方。论文作者表示，由于只有在量子计算机上才能有效地使用指数级量子空间，他们的研究可以为量子优势提供一个先导。

更重要的是，IBM的研究人员似乎找到了一种处理退相干的新方法。退相干是将量子系统带入准经典状态并进行测量的一个关键因素。退相干的主要问题是波函数的快速衰减，在很短的时间内就会产生噪声和误差。本文提出了两种控制退相干的方法，一种是概率误差校正法，另一种是零噪声外推法。

同样重要的是，特征映射就像我们所预期的那样：即使IBM Q系统的处理器经历了退相干，特征数据也没有出现分类错误。

误差校正和噪音代表了量子硬件方面最重大的障碍之一。因此，这一结果可能为量子计算的更多实际应用开辟道路。

量子计算机有能力解决经典计算机无法解决的问题，量子机器学习是量子优势理论的一个重要研究领域。今年早些时候，InfoQ报道了谷歌的研究人员在量子机器学习方面取得的另一个成果，并提出了一个适用于当前量子硬件局限性的神经网络模型。

查看英文原文：

转载地址：http://lzjko.baihongyu.com/