机器学习现在为语音识别、计算机视觉等领域提供了强大的动力，在量子计算机上运行时，机器学习可能会更加强大。一项新的研究发现，现在科学家们发现，被爱因斯坦称为“spooky action at a distance（远距离幽灵行动）”的奇怪量子现象，可能有助于消除实现量子机器学习的一个主要潜在障碍。
从理论上讲，量子计算机在许多任务上比任何传统计算机都更强大，例如找到一个数字的主要因素，这是现代加密保护银行和其他安全数据的数学基础。在量子计算机中，通过纠缠连接在一起的被称为量子比特的组件越多，其中多个粒子可以瞬间相互影响，而不管它们相距多远，其计算能力就可以以指数方式增长。
科学家们仍在研究量子计算可能比经典计算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，这是一个人工智能领域，研究通过经验自动改进的算法。
量子机器学习的一个潜在应用是模拟量子系统，例如，可能会产生对下一代电池或新药见解的化学反应。这可能需要创建感兴趣的分子模型，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障碍是所谓的“没有免费午餐”定理。该定理表明，当机器学习算法的性能在许多问题和训练数据集上取平均值时，任何机器学习算法都与其他算法一样好，但并没有更好。
非免费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。例如，为了对量子系统建模，量子计算机可能需要的训练数据量可能会随着建模系统的变大而呈指数增长。这可能会消除量子计算相对于经典计算的优势。
现在，科学家们已经发现了一种消除这种指数开销的方法，使用了一种新发现的量子版本的无免费午餐定理。他们的发现得到了量子硬件初创公司Rigetti的Aspen-4量子计算机（Aspen-4 quantum computer）的验证，表明在量子机器学习中加入更多纠缠可以导致指数级放大。
具体来说，研究人员建议将额外的量子位与量子计算机要模拟的量子系统纠缠在一起。这组额外的“辅助”量子位可以帮助量子机器学习电路同时与训练数据中的许多量子态进行交互。因此，即使使用相对较少的辅助设备，量子机器学习电路也可能会经历加速。
“用纠缠交换训练态可以给训练某些类型的量子系统带来巨大的优势，”该研究的合著者、新墨西哥州洛斯阿拉莫斯国家实验室的物理学家Andrew Sornborger说。
Sornborger警告说，将辅助量子位与提供训练数据所需的实验中使用的量子系统纠缠在一起是极其困难的。不过，他说，“只要在某种意义上，制造纠缠不是指数级的困难，那么我们就能从中受益。”
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（black box uploading）”，能够学习一个量子实验的模型，然后在量子计算机上研究它，而不必做重复的实验，这不是很酷吗？”Sornborger说。
例如，如果世界上最大的粒子物理实验室CERN的原子加速器将被碰撞的质子与用于分析它们的探测器以及一台非常强大的量子计算机（大约10亿个量子比特）纠缠在一起，科学家就可以直接分析标准模型，目前，这是对所有已知基本粒子行为的最好解释。
“这是我们在量子机器学习环境中开始考虑的一种可能性，”Sornborger说。
科学家们在2月18日的《物理评论》快报上详细介绍了他们的发现。
