什么是量子机器学习？

量子机器学习是一个结合了机器学习和量子计算技术的研究领域。量子计算利用包含量子粒子的专用处理器来解决复杂的问题，比经典计算机更快。由于量子粒子在亚原子层面上运行，它们需要一套新的原理和数学方程式，即所谓的量子算法。量子机器学习既涉及使用现有的量子算法来解决机器学习问题，也涉及调整量子硬件的机器学习算法。量子机器学习研究旨在为现有的预测和分类问题寻找新的解决方案，而这些问题目前通常由基于神经网络的统计技术来解决。

传统机器学习训练计算机软件，使其分析数据并做出准确的预测。为此，数据科学家开发了机器学习模型，这些模型是能够根据数据集进行训练的软件函数。其中一些模型需要大量的处理能力才能训练、运行和扩展。例如，深度学习算法在超级计算机上运行并处理海量数据集。量子机器学习将传统机器学习的处理能力扩展到了超级计算机的极限之外。

高级硬件

量子计算机将数据以量子比特的形式存储在专用硬件上。量子比特类似于传统计算机用来存储数据的二进制位。可以这样理解：量子比特就像硬币被抛到空中时同时记录它的各个面，而二进制位只能记录硬币落地静止后的那一面。量子比特允许叠加和纠缠存储的信息。

• 叠加表示处于多个状态的数据。
• 纠缠是量子粒子与其他粒子相互作用并进行交换的能力。

与将数据存储为 1 或 0 的传统计算不同，量子设备可以用一种不确定的状态来表示数据。这些特性以及量子计算使量子系统能够执行超级计算机难以应对的复杂机器学习任务。

数据处理速度

量子计算机将量子理论应用于处理和存储信息。量子计算是量子计算机并行处理信息的能力。与经典计算机中的顺序处理不同，量子计算和量子加速显著缩短了数据处理时间。例如，量子计算机只需要几分钟就能解决经典计算机花费数千年才能解决的问题。

量子机器学习是一个不断发展的领域，将在不久的将来影响机器学习的发展。下面我们将介绍量子机器学习技术的几个优势。

改进了机器学习预测

量子计算允许深度学习模型更快、更准确地分析海量数据集。例如，数据科学家可以开发量子支持向量机（QSVM）来对图像进行分类。QSVM 使用量子计算并行处理输入数据，以快速预测结果。

分析高维数据

高维数据是指特征数量多于观测结果数量的数据集。例如，医疗数据集可能包含比患者数量（观测结果）更多的健康参数（特征）。由于其计算能力呈指数级增强，量子机器学习可高效地从高维数据集中提取特征。理论上，量子神经网络可以通过将数据存储在量子随机存取存储器（QRAM）中来提高泛化速度。这样组织就能够更高效地应用尺寸缩减技术，例如量子主成分分析。

启用量子强化学习

强化学习是一种通过自学，利用奖励或惩罚来优化模型行为的技术。通过量子强化学习，自主系统可以更高效地从周围环境中学习。例如，由量子神经网络提供支持的自动驾驶汽车可以在更少的迭代次数内提高其导航能力。

开发先进的机器学习算法

当前的机器学习模型受其运行计算机的限制。通过量子计算，数据科学家可以设计强大的机器学习模型，与经典算法相比，具有显著的量子优势。这为药物发现、计算机视觉和其他行业的高级机器学习应用带来了可能性。

分析复杂的数据模式

量子机器学习系统比经典神经网络更容易检测和关联复杂模式。这有助于实现自然语言处理、图像识别和推荐系统等技术的创新。

量子力学是一门研究最小形式的粒子及其特性的科学。它探讨了亚原子粒子的相互作用和行为，包括如何通过波状特性进行能量传递。量子机器学习将经典机器学习与量子力学相结合。涉及以前在传统机器学习方法中从未出现的概念。

量子计算概念

由于量子计算使用专用硬件，量子机器学习中出现了新的硬件相关概念。

量子电路

量子电路是设计用于量子物理学的电子元件。该电路由多个量子门组成，类似于传统电子元件中的逻辑门。量子门接受输入并将其转换为输出。

量子态

量子态是指物体在量子环境中的可能状态。量子态不是以固定状态存在的，而是不断变化的。可以把它想象成一种波，其相位和幅度会增加或减少，而不是固定值。

量子数据

量子数据是存储在量子系统中的信息。量子计算机以量子比特生成和存储量子数据。由于量子数据可以同时处于多种状态，因此处理量子数据需要巨大的计算能力。

量子机器学习概念

以下概念与机器学习在量子计算中的应用有关。

量子经典模型

量子经典模型是一种先进的机器学习算法，可在量子系统上运行经典的机器学习方法。该模型利用量子优势准确、快速地分析数据。

量子内核

内核是实现分析和分类任务的机器学习函数的集合。它们有助于将非线性数据分成两个以上的区域。量子内核使用量子特征图表示高维数据。对于经典机器学习算法来说，这些数据可能显得嘈杂，但量子机器学习可以进行高度准确地提取、分析和分类。

量子迁移学习

迁移学习是一种机器学习技术，允许模型将其知识应用于相关任务。例如，使用猫的图像训练的机器学习模型可以重复使用其大部分知识来识别狗，而不是从头开始学习。量子迁移学习与之类似，不同之处在于它用量子电路取代了经典的神经网络。

量子机器学习研究有两种主要方法。

使用量子算法作为神经网络

量子计算界开发了量子算法，这些算法是利用量子比特进行计算的实用方法。这些算法基于允许在传统机器学习中使用神经网络的相同原理。量子算法使用经典的优化例程来迭代调整量子电路的参数，例如量子比特门中的旋转角度，就像根据训练集中的误差迭代调整神经网络的权重一样。

例如，变分量子算法在做出准确预测之前要经过训练。在训练期间，数据科学家根据模型的梯度函数调整量子电路的参数，以实现最佳预测。

科学家们正在研究优化机器学习量子超参数的最佳方法。他们使用经典优化算法和强化学习等方法，来配置量子比特数和量子电路深度等参数。

在量子硬件上运行机器学习模型

科学家们正在探索的另一种方法是在量子计算机上设计、训练和运行经典模型。尽管商业上可行的量子计算机尚未问世，但数据科学家已经研究了在量子设备上运行现有神经网络软件的可能性。早期研究表明，处理以量子比特存储的数据时，经典神经网络的速度可以以指数级提升。此外，量子硬件允许神经网络使用比传统计算机更少的步骤预测结果。例如，量子距离估计算法允许分类器模型在量子计算机中更快完成机器学习任务。此外，神经网络在量子计算机上运行时具有更强的表达能力。此类机器学习模型可以更有效地解释和关联复杂的数据关系，将其使用案例扩展到欺诈预防和推荐系统等应用程序。

许多关于量子机器学习的理论仍未得到证实。近年来，科学家们一直在积极贡献想法、研究和实验，以证明量子机器学习确实比经典模型具有巨大优势。证明量子优势具有挑战性，因为开发量子计算机需要我们尚不具备的未来技术。但是，科学家们已经在量子机器学习算法和电路方面展示了令人鼓舞的结果。

AWS 的量子技术提供的服务可帮助您探索量子计算如何影响您的业务。例如，Amazon Braket 是一项完全托管式量子计算服务，旨在帮助加快量子计算的科学研究和软件开发。借助 Amazon Braket，您可以：

• 学习如何对量子计算机进行编程并探索潜在的应用。
• 从头开始设计量子算法，或从预先构建的算法中进行选择。
• 在完全托管的量子电路模拟器上测试您的实现。

准备就绪后，您可以使用我们的硬件提供商提供的不同量子计算机或量子处理单元（QPU）运行算法。借助 Amazon Quantum Solutions Lab，您可以与量子计算、机器学习、优化和高性能计算领域的顶尖专家合作。

立即创建免费账户，开始在 AWS 上使用量子机器学习！