[论文解读] Quantum Machine Learning: A Hands-on Tutorial for Machine Learning Practitioners and Researchers

Yuxuan Du, Xinbiao Wang+7 more|ArXiv.org|Feb 3, 2025

Quantum Computing Algorithms and Architecture被引用 3

一句话总结

一个全面的教程，向 ML 实践者介绍量子机器学习（QML），涵盖基础、代表性的 QML 算法、可训练性、泛化、复杂度以及实际的代码演示。

ABSTRACT

This tutorial intends to introduce readers with a background in AI to quantum machine learning (QML) -- a rapidly evolving field that seeks to leverage the power of quantum computers to reshape the landscape of machine learning. For self-consistency, this tutorial covers foundational principles, representative QML algorithms, their potential applications, and critical aspects such as trainability, generalization, and computational complexity. In addition, practical code demonstrations are provided in https://qml-tutorial.github.io/ to illustrate real-world implementations and facilitate hands-on learning. Together, these elements offer readers a comprehensive overview of the latest advancements in QML. By bridging the gap between classical machine learning and quantum computing, this tutorial serves as a valuable resource for those looking to engage with QML and explore the forefront of AI in the quantum era.

研究动机与目标

• 让具有经典 ML 背景的读者了解量子机器学习的基础与术语。
• 介绍代表性的 QML 算法（核方法、神经网络、变换器）及其理论基础。
• 讨论 QML 中的可训练性、泛化性和计算复杂性。
• 提供实际代码演示，以说明现实世界的 QML 实现。
• 将经典 ML 与量子计算衔接起来，推动对 QML 进展的探索。

提出的方法

• 解释量子计算基础（量子比特、量子线路、密度矩阵）及量子输入/输出协议。
• 展示量子线性代数工具（区块编码、量子奇异值变换）及其如何支持 QML 子程序。
• 介绍量子核方法和量子特征映射，并与经典核进行比较。
• 综述量子神经网络，包括容错与近端态方法，并从表达能力与可训练性角度给出理论考量。
• 讨论量子变换器的概念，包括容错设计与二次加速运行时。
• 在在线资源 https://qml-tutorial.github.io/ 提供代码演示与实际实现。

实验结果

研究问题

• RQ1 有哪些基础原理和架构使得量子机器学习能够被 ML 实践者使用？
• RQ2 量子核方法、量子神经网络和量子变换器在表达能力、泛化性和可训练性方面与它们的经典对应物有何比较？
• RQ3 在 QML 算法中涉及的关键计算与样本复杂度是什么，如何有效利用近端硬件？

主要发现

• 本教程为 QML 的基础、算法与实际考虑提供了结构化、最新的综述，面向 ML 研究者。
• 详细描述了四大 QML 领域（CC、CQ、QC、QQ），并将 QC 与 QQ 领域定位为实际学习与应用的主要关注点。
• 将量子计算的概念（量子比特、量子门、线路模型）与 QML 任务（核方法、神经网络、变换器）联系起来，并讨论了可训练性与泛化问题。
• 每个主要主题均附有代码演示，展示现实世界的实现并促进动手学习。
• 教程讨论了硬件进展，包括 NISQ 的局限性以及走向容错量子计算的路径，强调了 QML 的机遇与挑战。