新的理论研究证明，在量子计算机上进行机器学习所需的数据比以前所认为的要简单得多。这一发现为最大程度地利用当今嘈杂的中间规模的量子计算机来模拟量子系统和其他任务提供了路径，并且相较经典数字计算机，也提供了优化量子传感器的希望。

“我们表明，即使只有少量简单的数据，也足以训练一个量子神经网络，”洛斯阿拉莫斯国家实验室的量子理论家Lukasz Cincio表示。他是在《自然通讯》期刊发表的这篇证明性论文的合著者。“这项工作在使量子机器学习更加简单、更易接触和更近期的方向上迈出了又一步。”

这篇新论文是由洛斯阿拉莫斯团队、首席作者来自柏林自由大学的马蒂亚斯·卡罗以及来自美国、英国和瑞士的其他研究人员合作完成的。该团队一直在发展更高效算法的理论基础，特别是针对量子机器学习，以充分利用这些嘈杂的量子计算机的能力，同时行业正在努力提高量子计算机的质量和扩大规模。

最新的研究论文借鉴了洛斯阿拉莫斯国家实验室及其合作伙伴之前的工作，证明训练量子神经网络只需要很少的数据。综合这些最近的理论突破，证明了利用极少且非常简单的状态来组织训练，为在当今受限量子计算机上快速进行实际工作提供了一种具体方法，比传统的基于经典物理的计算机更加迅速。

"虽然先前的研究考虑了量子机器学习中的训练数据量，但我们在这里着重关注训练数据的类型，" Caro说道。"我们证明，即使我们限制自己使用一种简单的数据类型，只有很少的训练数据点就足够了。"

“从实际角度来看，这意味着你可以训练神经网络不仅仅是根据几张猫的图片，而且还可以根据非常简单的图片进行训练，”辛西奥说道。“对于量子模拟来说，这意味着你可以在量子简单状态下进行训练。”

“这些状态很容易准备，这使得整个学习算法在近期量子计算机上的运行变得更加容易。” École Polytechnique Fédérale de Lausanne的物理学教授、前洛斯阿拉莫斯博士后研究员Zoe Holmes，作为联合作者表示。

量子计算机的近期应用

量子比特或量子位之间以及周围环境之间的相互作用所产生的噪音，会导致错误发生，从而限制了当前量子计算技术的处理能力。尽管存在噪音，量子计算机在某些任务上表现出色，例如在材料科学中模拟量子系统，以及利用机器学习对量子态进行分类。

辛西奥说：“如果你要对量子数据进行分类，那么你可以容忍一定程度的噪音，仍能得出正确的答案。这就是为什么量子机器学习可能是一个很好的近期应用。”

"量子机器学习相较于其他种类的算法更能容忍噪声，因为诸如分类这样的任务，作为机器学习的重要组成部分，并不需要达到100%的准确性才能产生有用的结果，"该论文的合著者安德鲁·Sornborger指出。Sornborger是量子科学中心的"量子算法和模拟"领域的负责人。该中心由奥克岭国家实验室牵头，与洛斯阿拉莫斯、大学和企业共同合作。

这篇新论文揭示了使用简单数据能够让较为简洁的量子电路在计算机上预备给定的量子态，如量子化学模拟中展示分子系统演化的情况。而简洁的电路易于实施，噪音较少，因而能够完成计算任务。 这篇《自然通讯》论文演示了一种利用简单准备态来编译量子机器学习算法的方法。

将任务下放到传统计算机上

复杂的量子算法甚至超过了非常庞大的经典计算机的处理能力。然而，团队还发现，由于他们采用的新方法简化了算法的开发，可以将编译量子算法的工作转移到经典计算机上进行。然后，经过编译的算法可以在量子计算机上成功运行。这种新方法允许程序员将量子计算资源保留给他们独特执行但对于经典计算机来说不堪负荷的任务，例如模拟量子系统，同时避免了量子计算机上长电路导致的错误噪音。

实验室的研究在量子感应领域具有应用价值。通过利用量子力学的特定原理，可以创造出极其敏感的设备，用于测量引力场或磁场等等。

“在没有噪音的情况下，量子传感方法在理论上是直截了当且被很好地理解的，但是当考虑到噪音时，情况就变得更加复杂了，”Sornborger说道。“将量子机器学习应用于量子传感协议可以使您在编码机制未知或硬件噪音影响量子探针的情况下使用该方法。”这种量子机器学习的应用正在由Lukasz Cincio和Marco Cerezo领导的洛斯阿拉莫斯国家实验室的一个由能源部资助的项目中进行调查。”