[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.16″ global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat ” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info =“{}”custom_padding__hover =“|||”][et_pb_text admin_label =“文本”_builder_version =“4.16”background_size =“初始”background_position =“top_left”background_repeat =“重复”global_colors_info =“{}”]

古典 机器学习（ML） 算法已被证明是执行各种任务的强大工具，包括图像识别和语音识别。 自然语言处理 自然语言处理（NLP）和预测建模。然而，传统算法受限于传统计算的局限性，难以处理大规模数据。 复杂数据集 或达到很高的准确度和精确度。

量子机器学习（QML）应运而生。

QML 结合了以下方面的强大功能： 量子计算 利用机器学习的预测能力来克服传统算法的局限性并提高性能。在他们的论文中，“论纠缠在量子计算加速中的作用英国布里斯托大学的理查德·乔萨和尼尔·林登写道：“量子机器学习算法有望在某些任务上，例如数据分类、特征选择和聚类分析，提供比传统算法指数级的速度提升。特别是，将量子算法用于监督学习和非监督学习，有可能彻底改变机器学习。” 人工智能设立的区域办事处外，我们在美国也开设了办事处，以便我们为当地客户提供更多的支持。“

QML 与传统机器学习

祖赫拉 拉达Credence公司数据科学与人工智能高级总监表示，QML与传统机器学习在几个关键方面有所不同：

传统的机器学习算法依赖于经典的计算技术，缺乏量子计算能力，因此在某些情况下速度可能较慢或准确性较低。

QML之旅：从研究到实际应用

量子机器学习的研究始于20世纪80年代。在20世纪90年代末和21世纪初，研究人员开发了量子机器学习技术。 神经网络 旨在展示量子系统在机器学习方面的潜力，这些系统可以通过训练来识别数据中的模式。此后，这些网络已被应用于广泛的现实世界问题。

十年后，研究人员开发了用于机器学习任务的量子算法和软件工具。其中包括支持向量机、决策树和神经网络等流行机器学习算法的量子版本。

量子计算机的发展也是量子机器学习（QML）发展的一个关键因素。在2010年代和2020年代，多家公司和研究团队开发出了能够执行机器学习任务的量子计算机。这些计算机既包括基于门的量子计算机，也包括基于量子比特的量子计算机。 量子 退火炉到 2020 年代，QML 开始被广泛应用于模式识别、自然语言处理和优化等领域。

如今，QML 最有前景的应用之一是药物发现。传统的药物发现过程可能缓慢、昂贵且结果不稳定。QML 有潜力加速这一过程。“在我们最初成功发现一种……” 冠状病毒病-19 治疗分子“我们希望将这一领域拓展到生成更小的分子，”Tech Mahindra旗下Makers Lab的全球负责人Nikhil Malhotra表示。“我们正在尝试将量子生成对抗网络（Quantum GAN）或混合生成对抗网络（Hybrid GAN）应用于小分子生成。我相信，这将极大地推动药物发现，甚至新药的研发。”

金融市场是QML展现出潜力的另一个领域。 2021纸 摩根大通未来应用研究与工程实验室的研究得出结论，QML 可以比传统算法更快、更准确地执行资产定价、预测波动率、预测奇异期权结果、欺诈检测、股票选择、对冲基金选择、算法交易、做市、金融预测、会计和审计以及风险评估等任务。

2023年量子机器学习的展望

“量子机器学习是一个令人兴奋且发展迅速的领域，它有可能对众多行业和应用产生重大影响，”拉达说道。她预测，到2023年，量子算法有望更快、更准确地执行某些机器学习任务，尤其是在图像和语音识别等需要处理大量数据的任务方面。她还指出，量子机器学习可以解决机器学习任务中经常出现且难以用传统算法解决的优化问题。拉达预测，量子算法更高效地解决这些问题的能力将使金融和物流行业受益。

网络安全 她预测量子机器学习将在另一个领域产生影响。“通过开发更复杂的算法来检测和预防网络攻击，量子机器学习可以提高系统安全性，”她说。

马尔霍特拉进一步深入探讨了这项技术本身，他表示，他预计绝大多数机器学习算法，特别是人工神经网络算法，都将在量子机器上进行测试，即量子机器学习算法。“我们已经看到了一些早期版本，例如量子非线性规划（QNLP）、量子生成对抗网络（Q-GAN），甚至还有基于量子电路的强化学习。我预计这一趋势将在2023年得到发展。”他说道。

量子机器学习仍面临挑战

QML之所以意义重大，是因为它前景广阔。有证据表明，与目前传统的机器学习技术相比，QML能够用更少的数据训练出更高精度的机器学习模型。然而，根据…… Scott（中国） 榉木德勤咨询公司政府和公共服务部门的全球量子技术负责人兼首席技术官表示，由于以下量子机器学习挑战，对于“减少多少？”和“加快多少？”这两个问题的答案会定期变化：

• “就硬件而言，目前最强大的量子计算机仍然存在局限性——尤其与当今最强大的服务器相比。我们预计这种情况在未来几年会有所改变，因为量子计算技术还有很大的发展空间。”

• “就软件和算法而言，量子计算机的工作原理与当今的计算机截然不同。因此，研究人员正努力寻找将问题映射到量子计算机的最佳方法（实际上，他们也在努力确定哪些问题可能适合用量子计算机来解决）。随着我们找到更通用的映射方法，其他人也更容易将他们的问题‘带到’量子计算机上。”

“多年来，QML一直是——并将继续是——一个活跃的研究领域。随着硬件和软件的成熟度不断提高，我们很可能会看到一些组织开始评估在生产工作负载中使用QML，”Buchholz继续说道。“由于我们距离拥有能够运行生产级QML工作负载的机器还有几年的时间，因此我们将继续推进QML的最新技术，同时硬件也在不断改进。但我预计在2023年，QML将取得渐进式进展——也就是说，我们将继续改进扩展数据量、加载数据和运行模型的技术。”

[/ et_pb_text] [/ et_pb_column] [/ et_pb_row] [/ et_pb_section]