在《自然》杂志最近发表的一篇论文中，IBM 和其他机构的研究人员设计了两种量子算法，利用变分量子电路和量子核估计器来训练一种支持向量机分类器。这两种算法背后的关键思想是使用量子状态空间作为特征空间表示，有效地构建映射，从原始数据中识别重要特征。正确识别数据中的特征对于构建分类器来说至关重要，但是对于大型数据集来说，往往需要很大的计算开销。
我们的研究表明，未来几年，随着量子计算机越来越强大，以及量子体积的增加，它们将能够执行特征映射（机器学习的重要组成部分），可以大规模处理高度复杂的数据结构，远远超出最强大的经典计算机。
这就是指数级量子状态空间和量子计算机并行能力发挥作用的地方。论文作者表示，由于只有在量子计算机上才能有效地使用指数级量子空间，他们的研究可以为量子优势提供一个先导。
更重要的是，IBM 的研究人员似乎找到了一种处理退相干的新方法。退相干是将量子系统带入准经典状态并进行测量的一个关键因素。退相干的主要问题是波函数的快速衰减，在很短的时间内就会产生噪声和误差。本文提出了两种控制退相干的方法，一种是概率误差校正法，另一种是零噪声外推法。
同样重要的是，特征映射就像我们所预期的那样：即使IBM Q系统的处理器经历了退相干，特征数据也没有出现分类错误。
误差校正和噪音代表了量子硬件方面最重大的障碍之一。因此，这一结果可能为量子计算的更多实际应用开辟道路。
量子计算机有能力解决经典计算机无法解决的问题，量子机器学习是量子优势理论的一个重要研究领域。今年早些时候，InfoQ 报道了谷歌的研究人员在量子机器学习方面取得的另一个成果，并提出了一个适用于当前量子硬件局限性的神经网络模型。
查看英文原文：IBM May Have Found a Path to Dealing with Decoherence in Current Quantum Computers
暂无签名
Java 避坑指南：Java 高手笔记代码篇
本迷你书包括 86 个业务开发中常见踩坑点。每一个知识点都相当的实用，是程序员业务开发中的必备避坑指南...
评论