英國劍橋2021年3月31日 /美通社/ -- 劍橋量子計算公司（CQC）的科學家開發出多種方法，并證明量子機器可以學習非常普遍的概率推理模型并從中提取隱藏的信息。這些方法可以改進范圍廣泛的應用，在這些應用中，復雜系統中的推理和對不確定性的量化至關重要。例如，醫療診斷、任務關鍵型機器中的故障檢測或投資管理的財務預測。
CQC研究人員在預印庫arXiv上發表的這篇論文中確定，量子計算機可以學習應對現實場景中典型的不確定性，而人類通常依靠直覺來處理這些不確定性。該研究團隊由 Marcello Benedetti博士和共同作者Brian Coyle、 Michael Lubasch博士和 Matthias Rosenkranz博士帶領，是CQC量子機器學習事業部的一個部門，該部門由 Mattia Fiorentini博士領導。
該論文在模擬器和IBM Q量子計算機上實施了三種原理求證，以展示在以下方面的量子輔助推理：
原理求證表明，使用高度表現性推理模型的量子機器可以實現不同領域的新應用。該論文利用了這樣一個事實，即從復雜的分布中取樣被認為是在當今嘈雜量子設備的機器學習中實現量子優勢的最有希望的方法之一。這項開創性的工作表明，即使在目前的早期階段，量子計算對于研究諸如人類推理的仿真等科學界最具雄心的問題也是一項有效的工具。
各行業中的機器學習科學家以及量子軟件和硬件開發人員應該是近期內可從這一開發中受益最多的研究群體。
這篇Medium上的文章與科學論文配合，提供了關于這項開創性工作背后的各項原理闡述，并描述了該團隊實施的原理求證。
隨著量子設備在未來幾年將得到改善，這項研究為將量子計算應用于隨機性推理及其在工程和業務相關問題上的直接應用奠定了基礎。
在這段視頻中， 我們的量子機器學習部門主管Mattia Fiorentini詳細說明了該項目的成果及其影響。
