一项新研究表明：量子计算即将学会推理

在过去的几年里，量子计算机的应用和发展呈现出迅猛的势头。研究人员已经将这种新兴的计算技术引入多个领域，包括量子力学、流体力学研究等，取得了令人瞩目的成果。这股潮流中，英国初创公司剑桥量子计算（CQC）的一项研究更是引发了广泛关注——他们成功证明了量子计算机具备“学习推理”的能力。

这个令人惊讶的发现来源于CQC的研究团队，他们深入了量子计算机如何进行变分贝叶斯推理。变分贝叶斯方法是一种过程，通过随机优化和其他学习技术来逼近一个给定的概率分布。简单来说，量子计算机能够输出解决推理问题的潜在答案。比如，如果今天是阴天且草地湿润，那么是什么原因导致的呢？是洒水车经过，还是曾经下过雨？

在《Variational inference with a quantum computer》的研究论文中，CQC的研究团队强调了量子计算机在变分推断以及推理方面的巨大潜力。该研究团队由博士Marcello Benedetti带领，并由Brian Coyle、Michael Lubasch博士和Mattias Rosenkranz博士共同协助，隶属于CQC的量子事业部，该部门由Mattia Fiorentini博士领导。

论文指出，量子计算机的输出看似随机，但其实我们可以通过编程让量子计算机输出具有特定模式的随机序列。这些模式非常离散且复杂，以至于经典计算机无法在合理的时间内计算出来。量子计算机是处理概率任务的理想工具，如处理不确定性下的推理问题。

研究人员在论文中详细展示了他们在贝叶斯网络上的成果，并测试了三个不同的问题集。是上面提到的关于云、洒水器和雨的经典问题；是在金融时间序列的隐马尔科夫模型中预测市场制度切换的问题；是在给定症状和危险因素信息的情况下，推断患者可能的疾病的任务。

通过使用对抗式训练和kernelized Stein差异方法（具体细节可以在论文中找到），公司对经典的概率分类器和概率量子模型进行了优化。训练完成后，他们在量子模拟器和IBM Q的真实量子计算机上进行了推理。结果显示，量子模拟器的概率分布与真实的概率分布非常相似，这表明量子算法的训练效果非常好，对抗性训练和内核化的Stein差异方法是非常有效的算法。

尽管真实量子计算机硬件的结果受到NISQ时代典型的噪声干扰，导致收敛速度较慢，但论文仍乐观地指出，量子计算机在推理方面的潜力巨大，并且随着技术的进步，其表现将会更加出色。这一发现标志着量子计算领域的一个重大突破，让人不禁期待量子计算机在未来的更多可能。