量子计算在某些类型的机器学习上实现指数加速

加州理工学院的Huang等人从数学上证明了在某些学习任务中，操纵多个量子态比经典的单量子态测量提供了指数优势，包括预测量子系统的特性，对噪声状态进行量子主成分分析，以及学习物理动力学的近似模型。他们在谷歌“悬铃木”量子处理器上使用40个量子比特进行了原理验证实验，并在经典下界上实现了所需实验次数近乎4个数量级的减少。该研究成果于6月10日发表在《科学》杂志。量子计算机具有在给定初始条件下预测多粒子量子系统行为的能力。机器学习可以在不完全了解系统的情况下实现这种预测，只需要访问以前的实验数据：计算机接收到一个数据集，该数据集来源于之前在量子系统上的一些实验。然后，经典或量子计算机将在略有不同的设置下预测系统的未来。直观地说，这样的数据分析可能包含了费曼所描述的所谓量子－经典性能差距：对量子系统未来状态给出完整的描述，对于经典方案来说是困难的，但对于量子计算来说是可行的。然而，纳入更多训练数据可能会缩小这一差距。经典机器学习有时也可以预测复杂量子系统的特性，因此量子计算机在这一设置中是否有优势尚不清楚。Huang等人提出了一种将赋予量子计算机决定性优势的方法：利用量子计算机处理