量子计算与人工智能结合，在增强模型表达能力、加速和优化机器学习等方面可能产生颠覆性影响，有望突破人工智能领域所面临的可解释性差、最优解难等问题，量子人工智能已成为国内外重点关注的学科前沿。量子机器学习是量子人工智能领域的重要研究内容，它将量子计算基础理论与机器学习原理相结合，以实现具有量子加速的机器学习任务。
随着量子计算软硬件的快速发展，含噪中规模量子（NISQ）处理器的学习优势被证明，国内外学者相继提出一系列量子机器学习方法，以挖掘量子计算助力人工智能技术发展的创新应用。然而，当前的量子机器学习仍局限于对算法的优化，缺乏系统层面的理论架构，仍有许多科学问题亟待解决。
图：量子机器学习算法的发展历程
2025年3月，中南大学、广西师范大学、中国电信的石金晶教授、硕士生肖子萌、博士生王雯萱、张师超教授和李学龙教授在《计算机学报》期刊上发表题为“面向含噪中规模量子处理器的量子机器学习”的综述论文。
这篇综述首先从量子机器学习系统表征角度出发，建立量子机器学习系统的层次模型，概括和总结了面向各类任务的量子机器学习方案，分析了量子机器学习在提高经典算法速度等方面可能体现的“量子优势”。接着根据量子机器学习系统的层次结构，从原理层、计算层、应用层这三个方面对现有量子机器学习方法进行了总结与梳理，系统性地分析和讨论了其中的关键问题与解决方案。最后，结合当前阶段量子人工智能的发展特点，重点分析了量子机器学习领域面临的科学问题与挑战，并对未来该领域的发展趋势进行了深入分析与展望。
量子机器学习系统层次架构
为了更系统地理解量子机器学习，论文提出了面向NISQ处理器的量子机器学习系统层级架构，分为原理层、计算层和应用层。
图：量子机器学习系统的层次架构
原理层是基石，涉及量子力学基础物理量及性质、量子系统和系统演化以及量子计算与机器学习结合机理。哈密顿量描述量子系统总能量，在化学分子计算和高能物理分析中至关重要；状态空间和密度算子从不同角度描述量子系统；不确定性原理虽对量子计算有一定限制，但也是量子力学的重要特性。量子系统具有叠加性和纠缠性，其演化过程遵循量子力学原理，理解演化有助于推动量子技术发展。
量子计算与机器学习的结合机理目前主要分为三种。当前大部分算法和模型基于第一种。
· 第一种是将量子技术替换经典机器学习算法中时间复杂度或者空间复杂度较高的部分，从而获得更快的运算速度与处理海量数据的能力，降低算法的复杂度。混合量子-经典框架就是这种结合机理的尝试范例。
· 第二种则完全跳出经典机器学习的框架，设计完全量子机器学习算法以充分利用量子计算机并行运算与存储优势，达到更高的性能，早期针对全尺寸量子计算机的一些量子机器学习算法大多采用这种结合机理，此时量子计算作为量子机器学习算法的物理基底与逻辑基底。
· 第三种是将机器学习的思维模式和方法框架应用到量子计算中，以更好地探索量子世界的物理规律。由此产生的量子机器学习算法通常比对量子系统数据的经典分析更具启发性，因此在生物分子计算和高能物理分析等领域具有丰富的应用潜力。
计算层是核心，包括数据信息、数据编码、线路模型和优化方式。
· 量子机器学习处理的数据有经典数据和量子数据，将经典数据编码为量子态面临“输入成本”和“输出成本”问题，因此量子机器学习数据集的构建与转换受到重视。
· 数据编码常用方式有基底编码、振幅编码和角度编码等，不同编码方式各有优劣，且对量子机器学习算法的计算复杂度有重要影响。
· 线路模型方面，变分量子本征求解器、量子组合优化算法、量子卷积神经网络、量子核方法、参数化玻色采样和哈密顿量子线路学习等各具特色，在不同领域发挥重要作用。
· 优化方式则通过更新参数化量子线路中的可训练参数，帮助模型学习数据模式，常用的优化算法包括参数迁移准则、梯度下降、共轭梯度法等，各有其适用场景。
应用层推进量子机器学习的实用化进程，目前其应用涉及多个领域。
· 在量子生物计算中，可用于蛋白质结构检索、模拟和分析，预测蛋白质折叠结构和DNA、RNA的三维结构；
· 化学分子计算领域，能提高分子模拟精度和效率，加速新材料和新药物研发；
· 高能物理分析中，可增强数据分析性能；
· 量子金融方面，可解决金融领域的组合优化问题，提供更精准的风险评估和投资组合优化策略；
· 计算机视觉领域，可用于图像处理、目标检测和图像分类等任务；
· 自然语言处理中，能构建和优化语言模型，提高任务准确率和效率。
面临的科学问题与发展趋势
尽管量子机器学习取得了不少进展，但仍面临诸多科学问题。
在优势极限方面，虽然量子计算的纠缠和叠加特性让人期待指数级加速效果，但目前能达到指数级或亚指数加速的量子机器学习算法稀缺。从硬件看，缺乏大规模通用容错量子计算机，NISQ处理器量子比特数量有限且存在量子噪声，阻碍了量子优势的充分展现。从算法层面，经典数据编码和量子态测量会消耗资源，增加复杂度，且量子算法设计尚未成熟。此外，混合量子-经典框架的设计仍在探索阶段，量子与经典部分的划分和数据分层方式尚无定论。
数据编码是量子机器学习中的关键难题。量子态制备和测量困难，数据编码方式影响算法学习能力，目前缺乏通用有效且能充分体现量子优势的数据编码方式，也没有公共量子数据集，特殊数据的编码和预处理也有待研究。
量子神经网络设计与优化面临挑战。基于混合量子-经典框架的模型虽更适用于当前NISQ处理器，但许多模型存在贫瘠高原问题，与量子线路的表达能力、纠缠度和维度灾难相关，导致训练困难。同时，量子神经网络的可扩展性研究不足，随着量子比特规模增加，贫瘠高原可能限制其扩展。
容错量子机器学习至关重要。NISQ处理器中量子比特操作受环境噪声影响，导致量子态退相干和误差积累，容错技术可缓解噪声干扰，但目前NISQ计算硬件在噪声淹没前执行量子门数量有限，影响计算精度和效率，因此研究容错量子机器学习技术迫在眉睫。
量子人工智能安全不容忽视。基于云服务的量子计算面临隐私保护问题，传统隐私保护机器学习技术存在计算复杂度高、效率低的问题，且易受量子计算发展的冲击。目前，盲量子计算、安全多方计算等技术为解决这些问题提供了方向。
图：量子人工智能安全
在应用方面，将量子机器学习应用于实际产业和工程，充分发挥其“量子优势”是科学界关注的课题。随着量子比特数目的增加和技术的成熟，量子机器学习将逐步进入实用化阶段，应用也将走向大数据化与大模型化，有望在自然语言处理等领域构建更出色、可解释性更强的模型。
量子机器学习作为一个充满潜力的前沿领域，虽面临诸多挑战，但也有着广阔的发展前景。相信在科研人员的不懈努力下，这些问题将逐步得到解决，量子机器学习将为人工智能领域带来全新变革，让我们拭目以待这一领域的更多精彩成果！