Nat. Comput. Sci. | 量子机器学习的机遇与陷阱

量子机器学习正被广泛探索，用以评估量子资源是否能够增强学习与推断能力，然而其发展仍面临诸多重大障碍。本文讨论当前最紧迫的挑战，并勾勒通向未来实际应用的潜在路径。

近年来，量子计算与机器学习领域的快速进展激发了将二者结合的浓厚兴趣，催生了量子机器学习（quantum machine learning, QML）这一新兴的交叉研究方向。从根本上看，QML 旨在利用叠加、纠缠等量子现象增强学习算法，在计算速度和模型表达能力方面提供潜在提升。随着量子硬件的稳步成熟以及量子算法日益精细化，研究人员似乎正接近一个关键节点：长期以来对 QML 的承诺有望开始转化为现实世界中的实际效用。

然而，这一路径并非必然通向成功，前方仍横亘着诸多障碍与挑战。近期关于去量子化、可训练性瓶颈以及硬件限制的研究，对广泛宣称量子优势的说法提出了警示。类似于以往的技术变革浪潮，QML 的发展不仅依赖于科学突破，也取决于研究人员如何设定目标、评估其实际价值，并将其发展方向与真实应用问题相对齐。目前，QML 仍处于演化的早期阶段，这也正是重新审视其现状并思考未来发展路径的恰当时机。

QML 的核心理念在于：量子计算机能够以本质上不同于经典系统的方式处理信息，从而为数据表示、变换与推断提供新的可能性（图 1）。早期的量子学习模型探索主要通过将经典学习范式引入量子框架，为这一领域奠定了基础。

其中一个具有代表性的工作是量子支持向量机，该方法在量子计算框架下重新表述了经典支持向量机。通过引入量子矩阵求逆算法，在假设可高效量子访问数据以及数据具有低秩结构等特定条件下，该方法在特征维度和训练样本规模上实现了对数复杂度的分类过程。与此同时，研究人员还提出了量子强化学习的一般性框架，将经典的智能体–环境交互范式拓展至量子领域。在这一设定中，量子智能体在学习效率和性能方面相较于经典方法可获得平方级别的提升。

这些研究仅代表了早期探索的一部分。其他方向上的工作，如量子回归和无监督聚类，也进一步展示了这一快速发展领域的多样化探索路径。

与其试图以量子方法全面替代经典学习流程，近年来的大多数研究更倾向于采用混合范式，即将量子处理器嵌入到经典优化流程中以完成机器学习任务。一方面，这体现了研究人员对量子模型在处理复杂数据结构或非平凡特征映射方面潜在优势的认识，并将其视为整体学习流程中的特定模块；另一方面，这种范式也高度契合当前的噪声中等规模量子（NISQ）时代，在该阶段，全容错量子计算仍遥不可及，但小规模量子资源仍可能被有效利用。

在这一思路下，多种混合量子–经典架构被提出，以期在机器学习任务中发挥量子模型的表示能力。例如，量子卷积神经网络借鉴了经典卷积网络的层级结构，但直接作用于量子态，适用于量子相位识别任务。另一类广泛研究的模型是量子核方法，其利用量子电路隐式实现复杂特征映射，在获得核矩阵后，再通过经典优化方法完成分类等任务。这些方法展示了在资源受限的条件下，如何利用有限的量子能力构建具有针对性表达能力的学习模型。

随着原型模型从理论构想逐步走向系统性测试，研究人员对 QML 的认识也日趋理性。例如，量子支持向量机所宣称的复杂度优势依赖于前述结构化假设；在相同条件下，经典“去量子化”算法同样能够实现类似的加速效果。类似地，量子卷积架构在相位识别中的成功，在很大程度上源于其在相对简单数据集上的评估，而这些结果往往可以被经典模拟方法有效复现。

这些发展反映出该领域在自我评估方面的逐步成熟，也凸显了明确数据访问假设和资源消耗、并与强有力的经典基线进行对比的重要性。

在此背景下，一个核心问题持续引导着理论与实验研究：QML 能否在何种意义上提供超越经典方法的切实优势？所提出的潜在优势包括计算复杂度或样本复杂度的降低，以及通过量子特征空间增强模型表达能力。在某些高度结构化的设定中，确实存在严格的理论证据支持量子–经典分离。例如，通过将离散对数问题的计算难度编码进人工数据集，量子核方法可借助量子算法高效揭示数据结构，而经典学习方法则难以应对。

此外，还有研究利用多体哈密顿量下的量子动力学演化复杂性，构造出对经典模型不可处理、但对量子模型可行的学习任务。另一类潜在优势来源于量子非定域性与情境性，其产生的测量关联无法用经典模型解释，在特定构造任务中即便不依赖密码学假设也可体现优势。然而，迄今为止，这些实例大多仍停留在人工构造层面，与现实世界学习问题的关联性有限。

尽管实现明确量子优势仍是长期目标，当前大量研究已开始聚焦于在化学、优化和数据科学等领域寻找具有实际相关性的应用场景，以缩短理论进展与现实影响之间的距离。

在实践中，一个尤为有前景的方向是量子原生数据任务。在这些场景中，信息本身以量子态形式存在，例如多体系统探测、量子设备噪声表征或分子量子态性质预测。与其进行代价高昂的全态重构，不如利用 QML 提取特定特征或隐含参数。其关键在于，量子模型能够学习跨子系统的关联关系，从而减少性质估计、信号判别或系统识别所需的样本数量。这类任务与量子硬件的固有能力高度契合，可能成为 QML 首批展现实用价值的应用场景。

除量子原生任务外，研究人员也在探索 QML 是否能为传统上被视为经典的问题提供价值，例如模式识别、生成建模和自然语言处理。在这些混合流程中，参数化量子电路和量子核方法被视为潜在的特征映射模块，但其近期实用性仍局限于浅层、受控容量且具备明确结构假设的场景。

在这一方向上，数据重上传框架被提出，用以通过多层重复编码经典输入提升模型表达能力。此外，受经典神经元启发的深度量子神经网络，以及量子生成对抗网络，也成为持续探索的方向。未来，QML 的应用范围可能进一步拓展，涵盖更强调可迁移性、鲁棒性和模块化的学习设置，与领域自适应、对抗鲁棒性和持续学习等研究趋势相呼应。

要评估 QML 在近期应用中的潜力，还必须正视当前系统的能力边界与局限性。

当前量子设备受制于有限的量子比特数量、浅层电路深度以及严重的噪声问题，这些因素共同限制了可训练模型的表达能力与规模。即便在混合范式中，性能与可扩展性仍是主要瓶颈。许多量子优势主张依赖于理想化假设，例如全容错硬件和长寿命量子存储，这在当前实验条件下仍遥不可及。

QML 在扩展过程中面临内在困难。变分量子模型常遭遇“荒漠平台”问题，即梯度随系统规模指数级消失，使优化过程几乎不可行。更一般而言，模型表达能力与可训练性之间存在权衡：高度表达性的电路往往更接近随机特征，因而更易陷入不可训练状态。

缺乏合适的数据集同样制约着研究进展。现有量子数据集要么过于简单，要么难度不切实际；而经典数据集又往往伴随高昂的量子编码成本。在缺乏标准化基准和强经典对照的情况下，很难判断 QML 在何种任务中真正具有优势。

随着电路深度增加并超出经典可模拟范围，理解模型学习到的内容以及独立验证其输出结果变得愈发困难。

尽管 QML 可能更适用于容错量子计算机，但进入该阶段并不会自动消除上述问题，反而引入新的复杂性。例如，将包含小旋转角的电路编译为 Clifford+T 门集可能带来极高的资源开销。

总体而言，QML 仍处于起步阶段，其发展既受到概念层面澄清的影响，也依赖于技术进步。要从理论设想迈向实际应用，不仅需要更强大的量子硬件和更稳健的算法，还需更清晰地理解量子模型相对于经典方法所能提供的可衡量优势。高维度与复杂关联并不必然带来收益，它们同样可能加剧训练与优化难度。

在这一过程中，任务驱动的算法与硬件协同设计将至关重要。值得注意的是，经典替代模型对量子学习方法形成了一种“压力测试”，进一步强调了识别量子资源独特优势场景的重要性。

此外，QML 的潜在价值并不局限于精度或计算速度。在建立可扩展、可训练流程的基础上，数据隐私成为一个尤为引人注目的方向。借助盲量子计算原理，量子协议可支持委托式或联邦学习，在整个计算过程中保障数据安全。相较于依赖可信中心或本地算力的经典方案，量子学习在理论上可提供源自量子力学定律的无条件安全性，这在医疗、金融等对隐私要求极高的场景中尤具吸引力。

展望未来，QML 的发展不仅取决于技术进步，也取决于研究共同体如何设定研究议程与评估标准。无免费午餐定理清晰地指出：在所有问题上平均而言，不存在万能的最优学习器；优势只会在合适的归纳偏置与数据分布下出现。QML 的成功将依赖于其与实际需求的精准对齐，与物理、化学和数据科学中的具体问题建立紧密联系，实施严格的基准评测，并最终聚焦于那些量子资源有望发挥决定性作用的、狭义而清晰的问题子类。

Li, W., Ma, Y. & Deng, DL. Pitfalls and prospects of quantum machine learning. Nat Comput Sci 5, 1095–1097 (2025). 

https://doi.org/10.1038/s43588-025-00914-6