斯科尔科沃科技学院 信用:CC0公共领域 斯科特的科学家已经表明，量子增强的机器学习可以用于量子(相对于经典)数据，克服了这些应用中常见的显著放缓，并为开发量子系统的计算洞察力开辟了“沃土”
这篇论文发表在《物理评论》杂志上
量子计算机利用量子力学效应来存储和操纵信息
虽然量子效应经常被认为是违反直觉的，但这种效应将使量子增强计算大大超过最好的超级计算机
2019年，世界看到了谷歌展示的量子计算优势的原型
量子算法已经被开发出来，以增强一系列不同的计算任务；最近，这已经发展到包括量子增强机器学习
量子机器学习在一定程度上是由斯科特的常驻量子信息处理实验室首创的，该实验室由本文的作者雅各布·比亚蒙特领导
“机器学习技术已经成为寻找数据模式的强大工具
他说:“量子系统产生非典型模式，而经典系统被认为不能有效产生这种模式，因此量子计算机在机器学习任务上胜过经典计算机并不奇怪。”
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，在利用量子效应之前，经典数据(由1和0的位串表示)必须被存储或者由量子处理器表示
这就是所谓的数据读取问题
数据读取用于限制使用量子增强机器学习算法可能实现的加速
一组斯科尔特奇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
这样，他们只使用量子态作为数据来训练量子神经网络
换句话说，作者通过输入物质的量子力学状态来规避数据读取问题
使用标准(非量子)方法，这种状态似乎通常需要大量的内存来表示
这项研究的主要作者，斯科尔泰克的博士生阿列克谢·乌瓦洛夫将这项研究描述为“朝着理解量子设备对机器学习的作用迈出的一步”
“研究人员融合了各种各样的技术，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
这项工作使用了一个被称为变分量子本征解算器(VQE)的子程序——一种迭代地寻找给定量子哈密顿量基态近似的算法
这个子程序的输出是一组在量子计算机上准备量子状态的指令
但是，显式写下状态通常需要指数级的内存，因此最好通过在硬件中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:给定一个VQE态，求解一个量子自旋模型的基态问题，找出该态属于物质的哪两个相
比亚蒙特指出:“虽然我们的方法集中在凝聚态物理的问题上，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。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
