>>>-07-31 09:50:16 量子计算机利用量子力学效应来存储和处理信息
Skoltech的科学家表明，量子增强的机器学习可用于量子(与经典数据相反)数据，克服了这些应用程序常见的显着速度下降问题，并为 开发量子系统的计算见解提供了沃土 。该论文发表在《物理评论》 A上。
量子计算机利用量子力学效应来存储和处理信息。尽管通常认为量子效应是违反直觉的，但这种效应将使量子增强的计算大大优于最佳的超级计算机。在，全世界看到了谷歌证明的这种原型的量子计算优势。
已经开发出量子算法来增强一系列不同的计算任务;最近，它已经发展为包括量子增强的机器学习。量子机器学习部分是由Skoltech驻地量子信息处理实验室首创的，该实验室由本文的研究者Jacob Biamonte领导。他说： 机器学习技术已经成为查找数据模式的强大工具。量子系统产生的非典型模式被认为无法有效地产生于经典系统，因此，量子计算机在机器学习任务上的表现可能会优于传统计算机，这不足为奇。
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，在可以利用量子效应之前，必须存储经典数据(由1和0的位串表示)或由量子处理器表示。这称为数据读取问题。数据读取用于限制使用量子增强型机器学习算法可能实现的加速。
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研究多体量子磁问题中的相变。为此，他们仅使用量子态作为数据来训练量子神经网络。换句话说，作者通过提供物质的量子力学状态来规避数据读取问题。此类状态通常似乎需要使用标准(非量子)方法来表示的内存数量不可能。
该研究的主要作者，Skoltech博士生Alexey Uvarov将这项研究描述为 迈向了解用于机器学习的量子设备的力量的一步。 研究人员合并了各种各样的技术，其中包括将张量网络和纠缠理论中的一些思想应用到他们的方法分析中。
这项工作使用了称为变分量子本征求解器(VQE)的子例程，该子例程可迭代地找到给定量子哈密顿量的基态的近似算法。该子例程的输出是一组指令，用于在量子计算机上准备量子状态。
但是，将状态显式地写下来通常需要指数级的内存，因此，最好通过在硬件中进行准备来检查这种状态的属性。本文中的学习算法处理以下问题：给定VQE状态以解决量子自旋模型的基态问题，找出该状态属于物质的两个相中的哪一个。
Biamonte指出： 虽然我们将方法集中在凝聚态物理问题上，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。
