那年初夏|以 Data Loaders 取代 QRAM，QC Ware 宣布量子机器学习的突破性 QCWare自己定义为可在量子运算硬件运行

【那年初夏|以 Data Loaders 取代 QRAM，QC Ware 宣布量子机器学习的突破性】QC Ware 自己定义为可在量子运算硬件运行的企业解决方案量子运算即服务（Quantum Computing-as-a-Service ， QCaaS）公司，最近宣布量子机器学习（Quantum Machine Learning ， QML）方面有多项重大突破。
量子机器学习是传统机器学习和量子运算的交集，但由于目前量子运算技术的局限性，所以有用的机器学习主要限制于传统运算领域。目前无法进行量子机器学习的原因有几个：首先，没有可用的量子随机存取内存（QRAM）。相对传统 RAM ， QRAM 就是量子世界的专属 RAM ，因此有必要将大量传统数据转换成相对应的量子态（Quantum State）。
即使已有可用的 QRAM ， QRAM 所需的量子位（Qubit）数量也将远远超过任何量子计算机的可用数量。其次，撇开 QRAM 的量子位要求不谈，现今有噪声量子计算机的量子位数量，不足以完成机器学习所需的复杂运算。
Data Loaders 成为执行距离估测的有效方法，有效缩短 QML 实际应用时间表QC Ware 研究人员开发了 Data Loaders 数据加载组件，其为可以有效轻松地将传统数据加载到量子硬件上的 QRAM 替代品。它们也是量子计算机上执行距离估测（Distance Estimation）的有效方法。距离估测是机器学习中使用的一种算法，它试图将每个数据点与其他点或具有相似属性的丛集进行分组。
QC Ware 的 Data Loaders 可在其名为 Forge 的云端平台使用。 Forge 支持量子硬件的量子算法、量子硬件仿真器，以及让企业可构建、编辑和执行量子算法之经典仿真器的存取与使用。
「根据 QC Ware 估计，藉助 Forge Data Loaders ，整个产业原本对 QML 预估还要 10~15 年才有实际应用出现的时间表将可大大缩短，」QC Ware 产品和业务开发负责人 Yianni Gamvros 表示：「我们的算法团队在量子运算产业取得的成就，相当于量子硬件制造商推出速度比之前产品快 10~100 倍的芯片。」
QC Ware 开发两类型的 Data Loaders ，一种是平行式 Data Loaders ，另一种是优化 Data Loaders ，都能将传统数据转换成机器学习应用的量子态。如前所述， QC Ware 提供了优化的距离估测算法。与 QC Ware Data Loaders 选项相比， QRAM 硬件和 QRAM 量子启发式电路所需的量子位数量和电路深度（Circuit Depth）之间存在显著差异。
「想要在近期量子计算机实现效能加速，重要的是要不断推进现有硬件和算法的极限，」QC Ware 量子算法国际部门负责人 Iordanis Kerenidis 指出：「我们一直在努力透过创新算法实现以更少的量子位和更浅的电路来达到更高效能的目标。」
透过 GPU 加速，让量子算法测试速度从小时级降至秒级除了机器学习 Data Loaders ， Forge 最新版本还包括用于 GPU 加速量子算法的工具。透过 GPU 加速，根据拍摄数量，算法测试可以减少到几秒钟而不是几小时。
新版本 Forge 包含了各种统包（Turnkey）算法实作。考虑到今后预计会进入该领域的新量子开发者数量，以及算法的易用性，这会是一大优势。每个实作都提供了独特的效能优势和功能，例如，现在用户可以针对比以前更大的问题运行量子分类、回归（Regression）及丛集算法，这是因为这些实作采用了 Forge　Data Loaders 和距离估测。同时提升 D-Wave 平台上针对更大问题之量子退火（Quantum Annealing）技术的效能达到 10 到 100 倍。而且，该算法也可在传统 CPU/GPU 仿真器等后端上执行。