高层速读
关键信息：利用量子系统的特性进行矩阵运算，量子计算可以指数级加速数据处理速度，且量子处理器不会因数据的不完整或不确定性而受到影响，但目前应用量子计算受到数据输入和存储问题等的限制。
关键意义：如果量子计算机功能足够强大，计算速度也足够快，将可以彻底改变机器学习应用的许多领域，在药物研究、生命科学、个性化的健康状况预测等方面也将提供强有力的技术支撑。
量子机器学习（Quantum ML）是一个结合量子物理和机器学习（ML）的跨学科领域，在这个领域里，由于量子计算极限的计算力和独特的计算方式等特性，可以对需要处理大量数据的人工智能实现加速。
人工智能借助传统计算机发展而来，而关于传统计算机与量子计算机之间的关系，计算机科学硕士Reena Shaw曾举了一个生动的玉米迷宫案例。
为了找到迷宫的出口，经典计算机会选择一条路进行试探，遇到障碍后原路返回，之后重新选择一条路进行试探，如此重复，直到找到出口。这种方法行动直接，但耗费时间。相比之下，量子计算机“解锁了神奇的并行性。它们同时探寻玉米迷宫中的每一条路”。
因此，量子计算机可以指数级减少解决问题的步骤，在数据集太大，比如搜索图像或视频内容时，量子计算能够让人工智能的各方面（比如机器学习）变得更加强大。
量子计算4大特性加速人工智能
1. 处理速度快
不同的量子比特以磁性方式进行交互，从而“连接”在一起形成量子矩阵。量子计算机能够利用量子系统的指数性质进行矩阵运算，这也是量子计算的特性。例如，当量子计算机在四个量子比特的状态下工作时，一次能够处理16个数字，而一台传统计算机则必须逐个处理这些数字，这使得量子计算的能力得以展现。但目前，基于量子矩阵的机器学习算法仅在仅有四个量子位的机器上得到了验证。
2. 所需数据量更小
众所周知，训练算法模型需要大量的数据集才能使机器变得更聪明，可很多情况下数据是不够的，比如罕见疾病等的数据。对此， 学习领域推出了「迁移学习」来解决这个问题，而在量子计算领域，只需要将最有特性的数据进行输入，保留最具有鉴别性的量，便可以简化量子处理器的最终选择，使其顺利完成任务。
目前，初级量子处理器完全能够匹配机器学习的需求，这种计算机通过对数据的操作，解析出传统计算机无法识别的细微模式，并且不会因数据的不完整或不确定性而受到影响。
3. 处理能力强
无论是传统神经网络还是量子神经网络，其主要工作都是识别模式。通常神经元排列成层，初始层接受诸如图像像素等输入，中间层创建表示图形边缘和几何形状等结构的各种输入组合，而最后一层则产生诸如关于图像的高级描述等输出内容。
▲神经网络结构图
至关重要的是，这种结构并不是事先确定的，而是在反复试验的过程中进行相应调整。比如在处理10000个学习样例后，神经网络能够达到更好的效果。一个大型神经网络可能有十亿个互连，所有这些都需要在训练中进行反复调整。
在经典的计算机上，所有这些互连都由一个巨大的数字矩阵表示，运行神经网络实际上意味着做矩阵代数。通常，这些矩阵处理是由诸如图形处理单元的专用芯片所完成的。但是没有什么能够像量子计算机一样处理矩阵。
4.量子系统更易模拟神经网络
迄今为止有关量子机器学习的大部分实验都采用了不同的方法，其中的量子系统不仅仅模拟神经网络;它本身就是网络。每个量子比特代表一个神经元。虽然这种设备还缺乏取幂的强大运算力量，但像其也可以利用量子物理的其他特性。
应用量子计算并非易事
量子计算虽可加速机器运算，但应用量子计算也有一些限制条件，比如数据输入问题。在量子计算机中的数据需要在量子状态下运行，而非在人类可读的数据上进行操作，两者之间的转换可能会破坏掉量子计算的优势，这是风险之一。另外，如果无法将数据上传至量子计算机，处理器的性能再好也没有什么用处。
输入数据之后，另一个难题是数据的存储。在昨日的推送中我们也提到过，量子比特受自身特性的限制，极不稳定，带有数据信息的量子比特只能在平稳状态下维持很短的时间，同时还不能影响正在进行的计算。
虽然现阶段还存在困难，但世界各国的研究团队已经把很多不可思议变为了现实。如果量子计算机功能足够强大，计算速度也足够快，将可以彻底改变机器学习应用的许多领域。
不仅是机器学习，根据现在的预测，量子计算会对药物研究、生命科学领域提供强大的技术支撑。对于我们普通人来讲，个性化的健康状况预测和疾病预测以及个性化的治疗方案，这些问题都将在量子面前迎刃而解。
如果量子计算机的能力达到一定程度，可以帮助人们进行这种预测，指导研究人员对转基因食品进行风险预测和DNA结构优化，甚至还可以为人们设计出以前自然界并不存在的、而你想要的新食品。
新加坡国立大学的人工智能研究者zhao表示：“我们可能在未来三到五年内，真正使用由实验主义者研制的硬件来进行有意义的量子计算，并在人工智能中应用。”
当数据不再是图像，而是物理或化学实验的产物时，量子机器将应对自如。
微信搜索【AI商业报道】，获取国内外AI巨头最新动向及行业资讯！
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
