图片展示了代理-环境交互
在 Physical Review Letters 公开的一项新研究中，Vedran Dunjko 和论文的合著者表示量子效应极有可能为机器学习提供重大收益。
奥地利因斯布鲁克大学的物理学家 Dunjko 告诉 phys.org，「机器学习中的进步极大的依靠处理能力。此外，机器学习许多方面依靠的底层信息处理的类型都特别服从于量子增强。随着量子技术的出现，量子机器学习将在社会中扮演工具性角色，包括加深我们对天气变化的了解，协助新型药物和治疗方法的开发，也有助于通过交互进行学习场景，这对自动化汽车和智能工厂都很重要。」
在此研究中，研究人员的主要成果是量子效应能帮助改进强化学习。他们表示相比于面向多种学习难题的传统技术，量子效应有潜力在学习效率上提供二次式改进（quadratic improvements），在短期时间的表现上提供指数级改进。
之前有其他团队表明量子效应能为其余机器学习方法（监督和无监督学习）提供改进，从量子角度强化学习还未被广泛研究过。
Dunjko 说，「据我们所知，这是首个表明在更普遍的、交互的学习任务中，量子改进是有可能的一项工作。因此，它开启了量子机器学习中的一项新的前沿研究。」
量子效应可能改进机器学习的一种方式是量子叠加，这使得机器能同时运行许多步骤，改进学习的速度和效率。
在特定情境中，量子效应有潜力提供巨大改进。但在其他情况下，传统机器学习可能与有量子效应的学习有同样或更好的表型。测定量子效应如何改进机器学习的难点在于它涉及到独特的挑战，始于它想要学习什么这样的基础问题。科学家解释说这一问题是有疑问的，因为机器和其环境可能变得纠缠，模糊两者之间的界限。
总之，研究人员期望他们提出的系统性方法能够带领在走向量子增强学习完整理论的第一步，该方法包含了机器学习的主要分支（监督学习、无监督学习、强化学习）。
Dunjko 说，「虽然初始成果非常鼓舞人心，但我们只是刚开始调查量子机器学习的潜力。我们计划进一步了解量子效应如何能帮助机器学习在更普遍的学习环境中进行学习。我们感兴趣的一个开放问题是量子效应能否在真正人工智能设计中扮演工具性角色。」
此研究论文：Quantum-Enhanced Machine Learning，已公开发表在了 Phys.org 上。论文：http://journals.aps.org/prl/abstract/10.1103/PhysRevLett.117.130501。
