剑桥量子计算开创量子机器学习推理方法的先河

当地时间3月30日，剑桥量子计算公司 (CQC) 的科学家们已经开发出了一些方法[1]，证明量子计算机可以从普通的概率推理模型中学习并推断出隐藏信息。

这些方法催生了一系列广泛的应用，在这些应用中，复杂系统中的推理和量化不确定性是至关重要的。例如，医疗诊断、关键任务机器的故障检测或投资管理的财务预测。

CQC的研究人员证实，量子计算机可以学习处理现实生活场景中典型的不确定性问题，而人类通常以较为直观的方式处理这些不确定性。

发表的论文中[2]，研究人员在模拟器和IBM Q量子计算机上，实现了三个原理证明，以示量子设备的确在辅助推理：

1. 贝叶斯网络的随机实例推理；

2. 在模拟金融时间序列的隐马尔可夫模型中推断市场条件波动；

3. 一个被称为“肺癌”问题的医疗诊断任务。

图｜贝叶斯网络示意图（来源：CQC）

原理证明表明，使用高表现力推理模型的量子计算机，可以在不同领域实现新的应用。论文中借鉴了一个事实，即从复杂分布中抽样，是当今含噪量子设备的机器学习中最能体现量子优势的方法之一。

研究人员此项开创工作表明，即使是在量子计算的早期阶段，它仍是研究科研尖锐问题的有效工具，如同模拟人类推理。

各行各业的机器学习科学家以及量子软件和硬件开发者，应该是近期内从这一发展中获益最多的研究群体。

随着未来几年量子计算机的不断改进，这项研究为量子计算应用于概率推理及其在工程和商业相关问题中的直接应用，奠定了基础。

引用：

[1]https://cambridgequantum.com/cambridge-quantum-computing-pioneers-quantum-machine-learning-methods-for-reasoning/

[2]https://arxiv.org/abs/2103.06720

声明：此文出于传递更多信息。若有错误或侵权，请联系

---

延 伸 阅 读