脑极体伟大前程与技术难关：量子机器学习该如何走进现实？( 三 ) 在我们描述21世纪刚刚过去的第二个十年

首先，我们要知道，传统的机器学习语言并不能直接地移植到量子计算上面，而是需要先把当前的机器学习代码转换成使用量子比特的量子态，从而构建出量子神经网络。
这就是所谓的量子机器学习的I/O瓶颈，所谓I/O瓶颈是指，目前大部分量子机器学习算法或者需要把大规模数据集编码为量子态，或者只是把问题的解生成在量子态中，因此输入阶段的前处理和信息提取阶段的后处理将耗费大量时间，乃至抵消量子算法所节省的时间。

文章图片
（IBM的一个50量子比特位计算系统的中心结构）
其次，则是真正意义上的通用量子计算机尚没有出现，而现在意义上的上千个量子比特的量子计算机在可以良好抗噪声、解决退相干问题上还存在着一定的问题，也就是还不能达到迪文森佐标准的量子计算机。这意味着能够支撑量子机器学习算法得以实际验证的硬件手段仍然是缺乏的，研究者大多只能通过量子模拟器的方式来实现多个量子比特的运算。
比如说，此次谷歌TFQ为量子机器学习研究提供了一个内含大约50~100量子比特的噪声中级量子处理器（NISQ）的工具，从而控制/建模自然或人工量子系统。基于此，现在TFQ的量子机器学习模型可以处理量子数据模型和混合量子经典模型，帮助开发者能够改进现有的量子算法或发现一些新的算法。
基于软硬件上面的现实困难，量子机器学习算法上面的突破还有很长的时间。
此外，在一些计算问题上，量子机器学习的算法和经典算法相比是否一定有加速优势，则仍然存疑。 2018年，年仅18岁的华裔学生EwinTang受量子推荐算法的启发，设计出了一个经典算法，它能以和量子算法相近的速度解决推荐问题。这一思路给了研究者以启示：通过量子算法思维能促进经典算法的发展，这也是量子计算研究意义的另一种体现。

文章图片
尽管目前来说，量子机器学习既没有像去年谷歌所宣称的“量子霸权”那样引人瞩目，也不能像人工智能在现实生活的广泛应用而成绩显著。但量子机器学习更像是一个面向未来世界的计算产物。
回到几十年前，量子计算的实现和机器学习的神经网络的实现，都一度被认为是不可能的事情。而这二者竟然都能够实现，现在还处在了相互结合的交汇点上，已然是人类技术的一次奇遇。
【脑极体伟大前程与技术难关：量子机器学习该如何走进现实？】那么站在当下，一个普通的技术爱好者也可以通过像百度、谷歌这样的量子计算平台的开放，就可以亲身来进行量子算法的开发和测试，更不能不说千载难逢、幸运之至。

脑极体 伟大前程与技术难关：量子机器学习该如何走进现实？( 三 )

脑极体伟大前程与技术难关：量子机器学习该如何走进现实？( 三 )