现在为语音识别、计算机视觉等提供支持的机器学习方法，在量子计算机上运行时可能会变得更加强大。一项新的研究发现，一种被称为纠缠的奇怪量子现象——爱因斯坦称之为“幽灵般的超距作用”——可能有助于消除实现量子机器学习的主要潜在障碍。

在许多计算任务上，量子计算机理论上要比任何传统计算机都要更强大，例如求一个大数字的质因数——这是目前保护银行和其他行业数据安全的现代加密体系的数学基础。在量子计算机中通过纠缠连接在一起的量子比特的数量越多，它的计算能力就可以以指数的方式增长。

科学家们仍在研究量子计算可能会比经典计算要更具优势的具体问题。最近，他们开始探索量子计算是否有助于促进机器学习，这是人工智能的子领域，主要研究能通过经验自动改进性能的算法。

量子机器学习的一个潜在应用是模拟量子系统。例如，模拟可能导致研发出下一代电池或新药物的化学反应。这可能需要创建感兴趣分子的模型，让它们相互作用，并使用实际化合物如何相互作用的实验作为训练数据来帮助改进模型。

量子机器学习可能面临的一个潜在主要绊脚石是所谓的“没有免费的午餐”定理。该定理的结论是，由于对所有可能函数的相互补偿，最优化算法的性能是等价的。即当平均机器学习算法在许多问题和训练数据集上的性能时，机器学习算法与其他算法一样好，但也并不比其他算法更好。

“没有免费的午餐”定理的一个结果是机器学习算法的平均性能取决于它拥有多少数据，这表明数据量最终会限制机器学习的性能。这提出了一种可能性，例如，为了对量子系统进行建模，量子计算机可能需要的训练数据量会随着建模系统变得更大而呈指数增长。这可能会消除量子计算相对于经典计算的优势。

现在，科学家们发现了一种可以利用新发现的量子版本的“没有免费的午餐”定理来消除这种指数级开销的方法。他们利用量子硬件初创公司Rigetti的“Aspen-4”量子计算机验证了这一方法，结果表明在量子机器学习中增加更多的纠缠可以导致性能指数级放大。

具体来说，研究人员建议将额外的量子比特与量子计算机旨在建模的量子系统纠缠在一起。这组额外的“辅助”量子比特可以帮助量子机器学习电路与训练数据中的许多量子态同时进行交互。因此，即使附属物(ancillas)相对较少，量子机器学习电路也可能会经历加速。

该研究合著者、新墨西哥州洛斯阿拉莫斯国家实验室的物理学家Andrew Sornborger说：“将纠缠态转换为训练态，可以为训练特定类型的量子系统提供巨大的优势。”但他也警告说，将辅助量子比特与实验中用于提供训练数据的量子系统进行纠缠，可能会极其困难。不过他说：“只要在某种意义上制造纠缠不是指数级的困难，那么我们就会受益。”

这项工作的一个潜在的未来应用是研究人员所说的“黑匣子上传”。Sornborger说：“如果能够学习一个量子实验模型，然后在量子计算机上进行研​​究，而且无需重复进行实验，这不是很酷吗？”

例如，世界上最大的粒子物理实验室“欧洲核子研究中心”里的大型原子对撞机，如果将被碰撞的质子与用于分析它们的探测器以及功能异常强大的量子计算机纠缠在一起，科学家们可以有办法直接分析出标准模型理论——这是目前所有已知基本粒子行为方式的最佳解释。（编译:Qtech）