Machine Learning for Quantum Computing Specialists

量子机器学习（QML）是量子计算的一个有前途的早期应用案例。在过去的五年中，从理论研究和数值模拟到概念验证，取得了进展。在当代量子设备上演示的用例包括分类医学图像和鸢尾花数据集中的项目、分类和生成手写图像、毒性筛选和学习概率分布。QML的潜在好处包括更快的训练和识别经典方法中未发现的特征映射。虽然这些例子缺乏商业开发的规模，而且可能需要几年时间才能用QML算法替代经典解决方案，但QML是一个令人兴奋的领域。 本文是为那些已经具备量子计算的扎实知识，并希望获得经典机器学习术语和一些应用基础知识，以便学习量子机器学习的读者编写的。读者将已经理解相关的线性代数知识，包括希尔伯特空间，这是一个带有内积的向量空间。

探索量子机器学习的应用和潜力

利用量子计算的优势加速机器学习算法

论文介绍了量子机器学习的概念和当前的研究进展，提出了利用量子计算加速机器学习算法的思路，并给出了一些实验案例，如医学图像分类、手写图像分类和概率分布学习等。虽然目前这些案例还不足以商业化应用，但是量子机器学习的潜力仍然值得期待。

近期相关研究包括： 1. Quantum Machine Learning: a Classical Approach, by Jacob Biamonte et al. 2. Quantum Machine Learning over Infinite Dimensions, by Maria Schuld et al. 3. Quantum Machine Learning for Particle Physics, by Pankaj Sharma et al.