没有人会怀疑，量子计算和机器学习是当前最炙手可热的两个研究领域。
在量子计算方面，理论和硬件的一个个突破性进展让人们看到大规模通用量子计算机的脚步越来越近。
在机器学习方面，以人工神经网络为代表的方法在视觉、语音、自然语言理解、游戏等应用领域中有了很大的性能提升。三位深度学习领域专家获得2019年图灵奖，更是被评论为“意味着AI复兴元年的到来”。
2017年12月3日，第四届世界互联网大会“世界互联网领先科技成果发布”在乌镇互联网国际会展中心举行，发布了世界互联网领域领先科技成果。图为世界首台超越早期经典计算机的光量子计算机展示。 中新社记者 杜洋 摄
当量子计算和机器学习相遇，会碰撞出什么火花？“总的来看，这是一个还处于早期探索，未来有很大发展空间可以期待的领域。” 腾讯杰出科学家、腾讯量子实验室负责人张胜誉评价道。
两者并非“油和水”的混合
早在上世纪90年代，威奇塔州立大学的物理学教授伊丽莎白·贝尔曼就开始研究量子物理与人工智能的结合，而在当时，神经网络还堪称是特立独行的技术。大多数人认为这是在把油和水进行混合。她回忆说：“我花了很长时间才把论文出版。与神经网络相关的期刊会说，‘量子力学是什么？’，而物理期刊会说，‘神经网络是什么？’”
但随着量子计算和机器学习在各自领域的进展，二者的结合似乎水到渠成。
神经网络和其他机器学习系统已成为人工智能时代的核心技术。具备机器学习能力的人工智能在某些方面的能力远超人类，不仅在国际象棋和数据挖掘等方面表现出众，而且在人类大脑所擅长的面部识别、语言翻译等方面进展迅速。通过后台的强大算力，这些系统的价值不断凸显。
但同时，传统计算机数据处理能力接近极限，而数据却在不断增长。正因此，业界展开了激烈竞争，看谁能率先推出一款比现有计算机更强大的量子计算机，来处理日益庞大的数据。
“机器学习技术的进步有赖于计算能力的提高，量子计算机的计算能力肯定比现有机器强太多，它必然能推动机器学习的发展，这就好比，一个脑子转得很快、更聪明的人比一个反应慢的人处理问题更快更好。” 中国科学技术大学中科院量子信息重点实验室研究员韩正甫告诉科技日报记者，机器学习可能会在很短的时间内处理超出当前能力的复杂问题。
北京国双科技有限公司(以下简称“国双”)首席技术官刘激扬在接受科技日报记者采访时则表示，随着产业数据规模的爆炸式增长，深度学习模型网络参数的不断扩增，现有的计算结构及框架，面对海量的数据规模及深层网络结构，处理分析所需的时间、硬件成本非常高，因此，亟须更为高效的解决方案。
强强联合的化学反应
刘激扬说，正因此，很多研究机构及科技公司都将目光集中到了量子计算领域。
“量子计算的独特性质，使得它无论是在数据处理能力还是数据存储能力上，在理论上都远超经典计算，所以若将其应用到机器学习中，不仅可以解决目前机器学习算法处理海量大数据时计算效率低等问题，甚至可能改变整个机器学习领域。”刘激扬说，机器学习和量子计算若结合，一方面是希望利用量子计算优良的数据处理能力，解决机器学习运算效率低的问题；另一方面探索使用量子力学的性质，开发更加智能的机器学习算法。
刘激扬具体分析道，机器学习与量子计算的结合，主要有以下几种形式：由于量子计算能够同时执行大量、复杂的计算过程，所以通过结合它可以使某些在传统机器学习中不可计算的问题变为可能， 从而大幅降低机器学习算法的计算复杂度；利用量子理论的并行性等加速特点直接与某些机器学习算法深度结合，从而可以催生出一批全新的量子机器学习模型，这些模型能够实现更高的计算效率；还可以利用机器学习算法，解决量子物理学领域中的一些难以分析的问题，如量子多体物理问题、 量子优化控制等。
“近十年涌现出大量量子技术和机器学习结合的研究，主要在用经典机器学习解释和帮助量子力学的研究，也有不少对经典机器学习设计高效量子算法的研究，还有少量其他方面，如量子启发式机器学习、用量子理论帮助理解机器学习中的现象等，大家得到了形式丰富的结果。”张胜誉告诉科技日报记者。
张胜誉与团队近日系统梳理了量子机器学习的发展，文章发表于《国家科学评论》2019年第1期出版的“量子计算”专题。
国内企业积极部署
“虽然进展喜人，但我们也应该注意到目前机器学习领域的很多结果在严格性、问题基础性和未来实用性上都还有很大的提升空间。总的来看，这是一个还处于早期探索，未来有很大发展空间可以期待的领域。”张胜誉认为。
“量子机器学习的更多应用还须等到可以实现大规模量子信息存储，以及有成熟的量子计算机出现才行。”韩正甫说，但事实上，量子计算机的概念1980年代提出，投入研发20年，迄今还没有一台真正走出实验室。
刘激扬也表示，量子计算机是真正实现量子机器学习算法实用化的重要硬件基础，要想将量子机器学习算法应用于实际的数据分析和处理任务中，需要将数据转化为量子态，上传至计算机中，进行存储、处理并导出，这就需要研制出具有成百上千超导量子比特的量子计算机，“在通用量子计算机建造成功之前，量子机器学习算法则很难在实际应用中展现出其数据处理方面的强大能力。”
张胜誉分析道，由于硬件资源的受限，量子机器学习的验证和发展确实有很多瓶颈。“理论上可以进行更多量子加速的研究，实践上也可以结合硬件不停推进对物理化学中基本问题的理解。”他认为，这个领域最终的突破，可能需要理论和硬件手拉手往前走。
在刘激扬看来，量子机器学习还缺乏完备的理论框架及实际验证。“由于量子机器学习只能在量子状态下进行，而当前由经典信息到量子信息的转换研究较少，还有很多问题未解决。”
