量子公司重大突破，量子机器学习实用化进程加速
近日，著名的量子计算公司QC Ware宣布，其在量子机器学习（QML）方面取得多项重大突破，该突破将以更快的速度推动量子机器学习的发展。
机器学习是人工智能的核心，它已从1950年代的简单工作，发展到如今的使用复杂训练和神经网络的深度学习。
机器学习是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。
我们使用它来分类和查找数据、图像或文本中的相似性，以及对任务进行聚类分组，例如预测和异常检测。随着机器学习算法不断地从数据中学习，它获得了越来越多关于数据的洞察力，因此，它的预测变得越来越准确。
量子机器学习是经典机器学习和量子计算相结合的技术。但是，由于当前量子计算技术的局限性，有用的机器学习主要局限于经典计算领域。
首先，没有可用的量子随机存取存储器(QRAM)。QRAM 是经典 RAM 的量子版本，需要将大量的经典数据转换成相应的量子态。即使 QRAM 现在可用，QRAM 所需的量子比特数量也远远超过任何现有量子计算机所能提供的数量。
第二，抛开 QRAM 量子比特的要求不谈，如今NISQ时代的量子计算机没有足够的量子比特来执行机器学习所需的复杂计算。
QC Ware研究人员开发了数据加载器（Data Loader），这是QRAM的替代产品，以高效且轻松地将经典数据加载到量子硬件上。
同时，数据加载器也是在量子计算机上进行距离估计（Distance Estimations）的有效方法。距离估计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具有相似特性的点或簇进行分组。
数据加载器可在其名为Forge的云平台上使用。
Forge提供对量子硬件上的量子算法、模拟器的访问，而且允许企业构建，编辑和实现量子算法的经典模拟器的访问。
QC Ware表示，使用Forge加速器的情况下，业界预测的QML的实际应用时间10年-15年将大大缩短。
QC Ware开发了两种类型的数据加载器，即并行数据加载器和优化的数据加载器，它们都将经典数据转换为量子状态以用于机器学习应用，而且还可以使用一种优化的距离估计算法。
下表由QC Ware提供，展示了加载每个具有一千个特征的数据点的差异的理论比较。
与QC Ware数据加载程序选件相比，QRAM硬件和QRAM量子启发线路所需的量子比特数量和线路深度之间存在显著差异。
除了机器学习数据加载器，Forge的最新版本还包括用于GPU加速量子算法的工具。利用GPU加速，根据线路所需要运行和测量的次数，算法测试可以减少到秒而不是小时。
新的Forge版本包括各种可以直接交付给客户使用的算法实现。考虑到大量新的量子开发人员预计将进入这一领域以及算法的易用性，这是一大优势。
D-Wave Forge具有独特的性能优势和功能：
用户现在可以运行量子分类、回归和聚类算法来解决更复杂的问题，而不是像以前一样使用Forge数据加载器和距离估计。（Forge 包含分类和集群示例，这些示例可以在具有用户指定数据集的模拟器上运行）
在D-Wave上将量子退火性能提高了10到100倍，可解决更大的问题
优化算法的算法参数的优化
此外，算法可以在以下后端上执行：
经典CPU模拟器 经典GPU模拟器（在AWS上配置的NVIDIA GPU） Amazon Braket上的硬件，包括对IonQ和Rigetti硬件的访问 D-Wave系统硬件
百度公司也在量子机器学习方面取得了相应的进展，并发布了量子机器学习开发工具“量桨”（详情请参阅：百度首发量子机器学习开发工具“量桨”）。相信随着研究者以及相关组织不断的在技术方面取得突破性进展，最终将以更快的速度推动QML的发展。