原文：Machine Learning Goes Quantum: A Glance at an Exciting Paradigm Shift

作者：Andre Ye（towardsdatascience.com 作者）

 

量子计算近来成为一个高词频的流行概念，尽管它在大众认知及互联网社区中非常火热，但是它的能力目前仍然相当有限。
作为一个全新的领域，量子计算呈现出基于传统经典计算模式的范式转变。在量子计算中，0 或 1 的经典比特被持某种概率值的量子比特取代。
基于特殊的量子态性质，每当量子比特被测量时都以一定的概率进入 0 或 1 的状态。例如，如果一个量子比特处于 0.85：0.15 的状态，我们预计它在 85% 的情况下测量为零，在 15% 的情况下测量为 1。
量子计算固然还有很长的路要走，但机器学习已是一个特别有前景的潜在方向。下面的示例有助于大家简单了解量子计算可以提供的计算能力：
Ÿ 一个量子比特可以同时包含 0 和 1。因此，两个量子比特可以保存四个值状态：00，01，10 和 11 的值，三个量子比特可以达到八个，依次类推。
Ÿ 理论上，n 个量子比特信息相当于 2n 个经典比特。
除此之外，量子电路的流体概率性质（fluid probabilistic nature）可能为深度学习提供独特的优势，深度学习本身就受益于通过网络进行的概率流和信息转换。
量子机器学习的概念正在流行起来，例如，TensorFlow 是谷歌著名的深度学习框架，最近这个框架也有了其量子版本 ——“TensorFlow Quantum”。
而在本文，我们将介绍三种机器学习算法的量子变体，包括：迁移学习、k-means 和卷积神经网络，并尝试动用尽可能少的量子知识来科普机器学习量子化，以及在设计机器学习量子应用时需要考虑的一些重要事项。
感兴趣的可以继续戳原文。

内容中包含的图片若涉及版权问题，请及时与我们联系删除