量子计算机器学习方法推理

剑桥量子计算（CQC）的科学家已经开发出方法，并证明了量子机器可以学习从非常普遍的概率推理模型中推断出隐藏信息。

这些方法可以改善广泛的应用，其中复杂系统中的推理和量化不确定性至关重要。例如医疗诊断，关键任务机器中的故障检测或投资管理的财务预测。

在本文中，研究人员确立了量子计算机可以学习处理现实世界中典型情况下的不确定性以及人类通常可以直观方式处理的不确定性。

演示量子辅助推理

本文在模拟器和IBM Q量子计算机上实现了三项原理证明，以演示有关以下方面的量子辅助推理：

• 教科书贝叶斯网络随机实例的推论
• 在模拟金融时间序列的隐马尔可夫模型中推断市场制度转换
• 一种医学诊断任务，称为“肺癌”问题。

原理证明表明，使用高度表达推理模型的量子机器可以在不同领域中实现新的应用。本文利用这样一个事实，即从复杂分布中采样是当今使用嘈杂的量子设备在机器学习中实现量子优势的最有希望的方法之一。

研究人类推理的模拟

这项开创性的工作表明，即使在目前的早期阶段，量子计算仍是研究科学最雄心勃勃的问题（例如模拟人类推理）的有效工具。

来自各行各业的机器学习科学家以及量子软件和硬件开发人员是短期内应从此发展中受益最大的一组研究人员。

这篇中篇文章随附科学论文，并提供了有关该开拓性工作背后的原理的易于理解的说明，以及对团队实施的原理证明的描述。

随着未来几年量子设备的改进，这项研究为将量子计算应用于概率推理及其在工程和业务相关问题中的直接应用奠定了基础。