量子机器学习综述：方法、理论与应用进展

《ARTIFICIAL INTELLIGENCE REVIEW》：Quantum circuit-based learning models: bridging quantum computing and machine learning

　　

摘要

机器学习（ML）凭借其能够自动从数据中识别信息模式以完成各种任务的能力，已在众多领域得到广泛应用。大规模数据的可获得性和先进的计算能力使得复杂模型和训练策略的开发成为可能，从而实现了最先进的性能，但也带来了巨大的挑战。利用量子机制进行计算的量子计算（QC）因其可能解决这些挑战而引起了越来越多的关注，并获得了全球大量投资。因此，作为这两个领域结合的量子机器学习（QML）受到了越来越多的关注，近年来相关研究显著增加。本文旨在回顾现有贡献，特别是关于用于经典数据分析的基于量子电路的学习模型，并突出该技术已识别出的潜力和挑战。具体而言，我们不仅关注基于核和基于神经网络的 QML 模型，还关注近期关于它们在混合框架中与经典机器学习层整合的探索。此外，我们审视理论分析和实证发现，以更好地理解其能力，并讨论在噪声鲁棒性和硬件高效 QML 方面的努力，以增强其在当前硬件限制下的实用性。另外，我们涵盖了几种用于高级量子电路设计的新兴范式，并突出了 QML 在代表性应用领域中的适应性。本研究旨在概述连接量子计算和机器学习所做出的贡献，提供见解和指导以支持其未来发展，并为未来几年的更广泛采用铺平道路。