【新突破】CQC 科學家稱已開創量子機器學習推理方法

Cambridge Quantum Computing (CQC) 的科學家稱已經開發出方法，證明量子機器可以學習從非常普遍的概率推理模型中推斷出隱藏的資訊。這些方法在改善複雜系統的推理和量化不確定性等廣泛應用方面至關重要， 例如醫療診斷、關鍵任務機器的故障檢測或投資管理的財務預測。

在印刷前檔案庫 arXiv 上發表的本論文中，CQC 研究人員確定了量子電腦可以學習處理現實世界中一般的不確定性，而人類通常可以直截處理這些不確定性。研究團隊由 Marcello Benedetti 博士領導，聯同合著人 Brian Coyle、 Michael Lubasch 博士及 Matthias Rosenkranz 博士，屬於由 Mattia Fiorentini 博士領導的 CQC 量子機器學習部門的一部分。

論文在模擬器和 IBM Q 量子電腦上實現了三項原理證明，以證明以下方面的量子輔助推理：

• 教科書貝氏推論網絡隨機實例的推論
• 在模擬金融時間序列的隱藏式馬可夫模型中推斷市場制度轉換
• 被稱為「肺癌」問題的醫學診斷任務

CQC 研究人員指，原理證明使用高度表達推理模型的量子機器可以在不同領域中實現新的應用。論文套用這個事實，即在當今使用嘈雜量子裝置的情況下，從複雜分佈中採樣是機器學習實現量子優勢的最有前途方法之一。這項開創性的工作表明，即使在目前的早期階段，量子計算仍是研究科學最雄心萬丈的問題（例如模擬人類推理）的有效工具。隨著未來幾年量子裝置的改進，這項研究為將量子計算應用於概率推理及其在工程和業務相關問題中的直接應用奠定基礎。

資料來源：美通社