在《自然》雜志最近發表的一篇論文中，IBM和其他機構的研究人員設計了兩種量子算法，利用變分量子電路和量子核估計器來訓練一種支持向量機分類器。這兩種算法背后的關鍵思想是使用量子狀態空間作為特征空間表示，有效地構建映射，從原始數據中識別重要特征。正確識別數據中的特征對于構建分類器來說至關重要，但是對于大型數據集來說，往往需要很大的計算開銷。

我們的研究表明，未來幾年，隨著量子計算機越來越強大，以及量子體積的增加，它們將能夠執行特征映射（機器學習的重要組成部分），可以大規模處理高度復雜的數據結構，遠遠超出最強大的經典計算機。

這就是指數級量子狀態空間和量子計算機并行能力發揮作用的地方。論文作者表示，由于只有在量子計算機上才能有效地使用指數級量子空間，他們的研究可以為量子優勢提供一個先導。

更重要的是，IBM的研究人員似乎找到了一種處理退相干的新方法。退相干是將量子系統帶入準經典狀態并進行測量的一個關鍵因素。退相干的主要問題是波函數的快速衰減，在很短的時間內就會產生噪聲和誤差。本文提出了兩種控制退相干的方法，一種是概率誤差校正法，另一種是零噪聲外推法。

同樣重要的是，特征映射就像我們所預期的那樣：即使IBM Q系統的處理器經歷了退相干，特征數據也沒有出現分類錯誤。

誤差校正和噪音代表了量子硬件方面最重大的障礙之一。因此，這一結果可能為量子計算的更多實際應用開辟道路。

量子計算機有能力解決經典計算機無法解決的問題，量子機器學習是量子優勢理論的一個重要研究領域。今年早些時候，InfoQ報道了谷歌的研究人員在量子機器學習方面取得的另一個成果，并提出了一個適用于當前量子硬件局限性的神經網絡模型。

查看英文原文：IBM May Have Found a Path to Dealing with Decoherence in Current Quantum Computers