在過去幾年中，量子計算機的應用和發展步伐正在加快。研究人員已經將這種新穎的計算方法應用于各個領域，包括量子力學、流體力學研究、開放性問題，甚至是機器學習，都取得了可喜的成果。延續這一趨勢，英國初創公司劍橋量子計算（CQC）目前已經證明量子計算機“可以學習推理”。

[[391060]]

雖然這乍一看會令人感到困惑，不過這個說法是基于 CQC 的新研究出來的。該公司量子機器學習主管 Mattia Fiorentini 博士和他的研究團隊研究了利用量子計算機進行變異推理。

　　變分貝葉斯方法 (Variational Bayesian methods)是一個過程，通過這個過程，我們使用隨機優化和其他學習技術來逼近一個給定的概率分布。拋開專業術語不談，這意味著量子計算機會輸出推理問題的潛在解決方案。例如今天是陰天但草地是濕的，那么是什么原因導致的呢？灑水車還是曾經下過雨？

　　在 arxiv 上發表的一篇標題為《Variational inference with a quantum computer》（QNLP 在實踐中：在量子計算機上運行意義的組合模型）的研究論文中，強調了該公司認為量子計算機對 Variational Inference，以及延伸到推理方面的一個有希望的指標。

　　該研究團隊由 Marcello Benedetti 博士和共同作者 Brian Coyle、 Michael Lubasch 博士和 Matthias Rosenkranz 博士帶領，是 CQC 量子機器學習事業部的一個部門，該部門由 Mattia Fiorentini 博士領導。

　　在論文中寫道：“量子計算機的輸出看起來是隨機的。然而，我們可以對量子計算機進行編程，使其輸出具有一定模式的隨機序列。這些模式是離散的，可以變得非常復雜，以至于經典計算機無法在合理的時間內計算它們。這就是為什么量子計算機是概率機器學習任務的天然工具，例如不確定性下的推理”。

　　在論文中，研究人員展示了他們在貝葉斯網絡上的結果。測試了三個不同的問題集。首先，是上文所述的經典云-灑水器-雨問題。第二，是在模擬金融時間序列的隱馬爾科夫模型中預測市場制度切換（牛市或熊市）。第三，是在給定一些癥狀和危險因素信息的情況下，推斷患者可能的疾病的任務。

　　使用對抗式訓練和 kernelized Stein 差異，兩者的細節可以在論文中找到，該公司對一個經典的概率分類器和一個稱為 Born 機器的概率量子模型進行了串聯優化。

　　訓練完畢后，在量子模擬器和 IBM Q 的真實量子計算機上對前面定義的三個問題進行推理。在下圖所示的截斷直方圖中，洋紅色的條形圖代表真實的概率分布，藍色的條形圖代表量子計算模擬器的輸出，灰色的條形圖代表 IBM Q 的真實量子硬件的輸出，真實量子計算機硬件上的結果受到噪聲的干擾，這導致收斂速度比模擬的慢。然而，這在 NISQ 時代是可以預期的。

　　量子模擬器的概率分布與真實的概率分布非常相似，說明量子算法的訓練效果很好，公司的對抗性訓練和內核化的 Stein 差異方法是達到預期目的的強大算法。

　　論文中寫道：“我們用貝葉斯網絡的例子對該方法進行了數值演示，并在 IBM 量子計算機上實現了實驗。我們的技術可以實現高效的變分推理，其分布超出了那些在經典計算機上可以有效表示的分布。我們的技術可以實現高效的變量推理，其分布超越了那些在經典計算機上可有效表示的分布。”