量子机学习（QML）是使用量子计算来计算机器学习算法的使用。随着经典数据的普遍性和重要性，需要采用QML的混合量子古典方法。参数化的量子电路（PQC），特别是量子内核PQC，通常用于QML的混合方法中。在本文中，我们讨论了PQC的一些重要方面，其中包括PQC，量子内核，具有量子优势的量子内核以及量子核的训练性。我们得出的结论是，具有混合核方法的量子核，也就是量子核方法，具有明显的优势作为QML的混合方法。它们不仅适用于嘈杂的中间量子量子（NISQ）设备，而且还可以用于解决所有类型的机器学习问题，包括回归，分类，聚类和降低尺寸。此外，除了量子效用之外，如果量子内核（即量子特征编码）在经典上是棘手的，则可以获得量子优势。

Quantum kernel methods, i.e., kernel methods with quantum kernels, offer distinct advantages as a hybrid quantum-classical approach to quantum machine learning (QML), including applicability to Noisy Intermediate-Scale Quantum (NISQ) devices and usage for solving all types of machine learning problems. Kernel methods rely on the notion of similarity between points in a higher (possibly infinite) dimensional feature space. For machine learning, the notion of similarity assumes that points close in the feature space should be close in the machine learning task space. In this paper, we discuss the use of variational quantum kernels with task-specific quantum metric learning to generate optimal quantum embeddings (a.k.a. quantum feature encodings) that are specific to machine learning tasks. Such task-specific optimal quantum embeddings, implicitly supporting feature selection, are valuable not only to quantum kernel methods in improving the latter's performance, but they can also be valuable to non-kernel QML methods based on parameterized quantum circuits (PQCs) as pretrained embeddings and for transfer learning. This further demonstrates the quantum utility, and quantum advantage (with classically-intractable quantum embeddings), of quantum kernel methods.

The basic idea of quantum computing is surprisingly similar to that of kernel methods in machine learning, namely to efficiently perform computations in an intractably large Hilbert space. In this paper we explore some theoretical foundations of this link and show how it opens up a new avenue for the design of quantum machine learning algorithms. We interpret the process of encoding inputs in a quantum state as a nonlinear feature map that maps data to quantum Hilbert space. A quantum computer can now analyse the input data in this feature space. Based on this link, we discuss two approaches for building a quantum model for classification. In the first approach, the quantum device estimates inner products of quantum states to compute a classically intractable kernel. This kernel can be fed into any classical kernel method such as a support vector machine. In the second approach, we can use a variational quantum circuit as a linear model that classifies data explicitly in Hilbert space. We illustrate these ideas with a feature map based on squeezing in a continuous-variable system, and visualise the working principle with 2-dimensional mini-benchmark datasets.

Quantum Kernel方法是量子机器学习的关键方法之一，这具有不需要优化的优点，并且具有理论简单。凭借这些属性，到目前为止已经开发了几种实验演示和对潜在优势的讨论。但是，正如古典机器学习所在的情况一样，并非所有量子机器学习模型都可以被视为内核方法。在这项工作中，我们探讨了具有深层参数化量子电路的量子机器学习模型，旨在超出传统量子核法。在这种情况下，预计表示功率和性能将得到增强，而培训过程可能是丢储Plateaus问题的瓶颈。然而，我们发现，在训练期间，深度足够的量子电路的参数不会从其初始值中移动到初始值，从而允许一阶扩展参数。这种行为类似于经典文献中的神经切线内核，并且可以通过另一个紧急内核，量子切线内核来描述这种深度变化量子机器学习。数值模拟表明，所提出的Quantum切线内核优于传统的Quantum核心核对ANSATZ生成的数据集。该工作提供了超出传统量子内核法的新方向，并探讨了用深层参数化量子电路的量子机器学习的潜在力量。

量子机学习（QML）中的内核方法最近引起了人们的重大关注，作为在数据分析中获得量子优势的潜在候选者。在其他有吸引力的属性中，当训练基于内核的模型时，可以保证由于训练格局的凸度而找到最佳模型的参数。但是，这是基于以下假设：量子内核可以从量子硬件有效获得。在这项工作中，我们从准确估计内核值所需的资源的角度研究了量子内核的训练性。我们表明，在某些条件下，可以将量子内核在不同输入数据上的值呈指数浓缩（在量子数中）指向一些固定值，从而导致成功训练所需的测量数量的指数缩放。我们确定了可以导致集中度的四个来源，包括：数据嵌入，全球测量，纠缠和噪声的表达性。对于每个来源，分析得出量子内核的相关浓度结合。最后，我们表明，在处理经典数据时，训练用内核比对方法嵌入的参数化数据也容易受到指数浓度的影响。我们的结果通过数值仿真来验证几个QML任务。总体而言，我们提供指南，表明应避免某些功能，以确保量子内核方法的有效评估和训练性。

Hybrid quantum-classical systems make it possible to utilize existing quantum computers to their fullest extent. Within this framework, parameterized quantum circuits can be regarded as machine learning models with remarkable expressive power. This Review presents the components of these models and discusses their application to a variety of data-driven tasks, such as supervised learning and generative modeling. With an increasing number of experimental demonstrations carried out on actual quantum hardware and with software being actively developed, this rapidly growing field is poised to have a broad spectrum of real-world applications.

数据的表示对于机器学习方法至关重要。内核方法用于丰富特征表示，从而可以更好地概括。量子内核有效地实施了在量子系统的希尔伯特空间中编码经典数据的有效复杂的转换，甚至导致指数加速。但是，我们需要对数据的先验知识来选择可以用作量子嵌入的适当参数量子电路。我们提出了一种算法，该算法通过组合优化过程自动选择最佳的量子嵌入过程，该过程修改了电路的结构，更改门的发生器，其角度（取决于数据点）以及各种门的QUBIT行为。由于组合优化在计算上是昂贵的，因此我们基于均值周围的核基质系数的指数浓度引入了一个标准，以立即丢弃任意大部分的溶液，这些溶液被认为性能较差。与基于梯度的优化（例如可训练的量子内核）相反，我们的方法不受建筑贫瘠的高原影响。我们已经使用人工和现实数据集来证明相对于随机生成的PQC的方法的提高。我们还比较了不同优化算法的效果，包括贪婪的局部搜索，模拟退火和遗传算法，表明算法选择在很大程度上影响了结果。

基于内核的量子分类器是用于复杂数据的超线化分类的最有趣，最强大的量子机学习技术，可以在浅深度量子电路（例如交换测试分类器）中轻松实现。出乎意料的是，通过引入差异方案，可以将支持向量机固有而明确地实现，以将SVM理论的二次优化问题映射到量子古典的变分优化问题。该方案使用参数化的量子电路（PQC）实现，以创建一个不均匀的权重向量，以索引量子位，可以在线性时间内评估训练损失和分类得分。我们训练该变量量子近似支持向量机（VQASVM）的经典参数，该参数可以转移到其他VQASVM决策推理电路的许多副本中，以分类新查询数据。我们的VQASVM算法对基于云的量子计算机的玩具示例数据集进行了实验，以进行可行性评估，并进行了数值研究以评估其在标准的IRIS花朵数据集上的性能。虹膜数据分类的准确性达到98.8％。

Quantum computers promise to enhance machine learning for practical applications. Quantum machine learning for real-world data has to handle extensive amounts of high-dimensional data. However, conventional methods for measuring quantum kernels are impractical for large datasets as they scale with the square of the dataset size. Here, we measure quantum kernels using randomized measurements. The quantum computation time scales linearly with dataset size and quadratic for classical post-processing. While our method scales in general exponentially in qubit number, we gain a substantial speed-up when running on intermediate-sized quantum computers. Further, we efficiently encode high-dimensional data into quantum computers with the number of features scaling linearly with the circuit depth. The encoding is characterized by the quantum Fisher information metric and is related to the radial basis function kernel. Our approach is robust to noise via a cost-free error mitigation scheme. We demonstrate the advantages of our methods for noisy quantum computers by classifying images with the IBM quantum computer. To achieve further speedups we distribute the quantum computational tasks between different quantum computers. Our method enables benchmarking of quantum machine learning algorithms with large datasets on currently available quantum computers.

数据装配过程是量子机学习的瓶颈之一，可能会否定任何量子加速。鉴于此，必须采用更有效的数据编码策略。我们提出了一种基于光子的骨气数据编码方案，该方案使用较少的编码层嵌入经典数据点，并通过将数据点映射到高维FOCK空间中，从而规避非线性光学组件的需求。电路的表达能力可以通过输入光子的数量来控制。我们的工作阐明了量子光子学在量子机学习模型的表达能力方面提供的独特优势。通过利用光子数依赖的表达能力，我们提出了三种不同的中间尺度量子兼容二进制分类方法，其所需资源适用于不同监督分类任务。

Quask是用Python编写的量子机学习软件，可支持研究人员设计，实验和评估不同的量子和经典核性能。该软件是无关紧要的软件包，可以与所有主要量子软件包（例如IBM Qiskit，Xanadu的Pennylane，Amazon Braket）集成。问题通过简单的预处理数据，定义和计算量子和经典内核，无论是自定义或预定义的，都可以指导用户。通过此评估，包装提供了有关潜在的量子优势和对概括误差的预测界限的评估。此外，它允许生成参数量子内核，可以使用基于梯度的优化，网格搜索或遗传算法训练。还计算了预测的量子内核，这是一种有效的解决方案，可减轻大型希尔伯特空间的指数缩放维度引起的维数的诅咒。问题还可以生成量子模型的可观察值，并使用它们来研究量子和经典核的预测能力。

已知量子计算机可以在某些专业设置中使用经典的最先进的机器学习方法提供加速。例如，已证明量子内核方法可以在离散对数问题的学习版本上提供指数加速。了解量子模型的概括对于实现实际利益问题的类似加速至关重要。最近的结果表明，量子特征空间的指数大小阻碍了概括。尽管这些结果表明，量子模型在量子数数量较大时无法概括，但在本文中，我们表明这些结果依赖于过度限制性的假设。我们通过改变称为量子内核带宽的超参数来考虑更广泛的模型。我们分析了大量限制，并为可以以封闭形式求解的量子模型的概括提供了明确的公式。具体而言，我们表明，更改带宽的值可以使模型从不能概括到任何目标函数到对准目标的良好概括。我们的分析表明，带宽如何控制内核积分操作员的光谱，从而如何控制模型的电感偏置。我们从经验上证明，我们的理论正确地预测带宽如何影响质量模型在具有挑战性的数据集上的概括，包括远远超出我们理论假设的数据集。我们讨论了结果对机器学习中量子优势的含义。

已经假设量子计算机可以很好地为机器学习中的应用提供很好。在本作工作中，我们分析通过量子内核定义的函数类。量子计算机提供了有效地计算符合难以计算的指数大密度运算符的内部产品。然而，具有指数大的特征空间使得普遍化的问题造成泛化的问题。此外，能够有效地评估高尺寸空间中的内部产品本身不能保证量子优势，因为已经是经典的漫步核可以对应于高或无限的维度再现核Hilbert空间（RKHS）。我们分析量子内核的频谱属性，并发现我们可以期待优势如果其RKHS低维度，并且包含很难经典计算的功能。如果已知目标函数位于该类中，则这意味着量子优势，因为量子计算机可以编码这种电感偏压，而没有同样的方式对功能类进行经典有效的方式。但是，我们表明查找合适的量子内核并不容易，因为内核评估可能需要指数倍数的测量。总之，我们的信息是有点令人发声的：我们猜测量子机器学习模型只有在我们设法将关于传递到量子电路的问题的知识编码的情况下，才能提供加速，同时将相同的偏差置于经典模型。难的。然而，在学习由量子流程生成的数据时，这些情况可能会被典雅地发生，但对于古典数据集来说，它们似乎更难。

FIG. 1. Schematic diagram of a Variational Quantum Algorithm (VQA). The inputs to a VQA are: a cost function C(θ), with θ a set of parameters that encodes the solution to the problem, an ansatz whose parameters are trained to minimize the cost, and (possibly) a set of training data {ρ k } used during the optimization. Here, the cost can often be expressed in the form in Eq. ( 3), for some set of functions {f k }. Also, the ansatz is shown as a parameterized quantum circuit (on the left), which is analogous to a neural network (also shown schematically on the right). At each iteration of the loop one uses a quantum computer to efficiently estimate the cost (or its gradients). This information is fed into a classical computer that leverages the power of optimizers to navigate the cost landscape C(θ) and solve the optimization problem in Eq. ( 1). Once a termination condition is met, the VQA outputs an estimate of the solution to the problem. The form of the output depends on the precise task at hand. The red box indicates some of the most common types of outputs.

Building a quantum analog of classical deep neural networks represents a fundamental challenge in quantum computing. A key issue is how to address the inherent non-linearity of classical deep learning, a problem in the quantum domain due to the fact that the composition of an arbitrary number of quantum gates, consisting of a series of sequential unitary transformations, is intrinsically linear. This problem has been variously approached in the literature, principally via the introduction of measurements between layers of unitary transformations. In this paper, we introduce the Quantum Path Kernel, a formulation of quantum machine learning capable of replicating those aspects of deep machine learning typically associated with superior generalization performance in the classical domain, specifically, hierarchical feature learning. Our approach generalizes the notion of Quantum Neural Tangent Kernel, which has been used to study the dynamics of classical and quantum machine learning models. The Quantum Path Kernel exploits the parameter trajectory, i.e. the curve delineated by model parameters as they evolve during training, enabling the representation of differential layer-wise convergence behaviors, or the formation of hierarchical parametric dependencies, in terms of their manifestation in the gradient space of the predictor function. We evaluate our approach with respect to variants of the classification of Gaussian XOR mixtures - an artificial but emblematic problem that intrinsically requires multilevel learning in order to achieve optimal class separation.

量子贝叶斯AI（Q-B）是一个新兴领域，可杠杆计算中可用的计算收益。承诺是许多贝叶斯算法中的指数加速。我们的目标是将这些方法直接应用于统计和机器学习问题。我们提供了经典和量子概率之间的二元性，以计算后验量的利益。我们的框架从冯·诺伊曼（Von Neumann）的量子测量原理中的角度统一了MCMC，深度学习和量子学习计算。量子嵌入和神经门也是数据编码和特征选择的重要组成部分。在统计学习中，具有众所周知的内核方法具有自然性。我们说明了两种简单分类算法上量子算法的行为。最后，我们以未来研究的指示得出结论。

张量网络是一种用于表达和近似大量数据的分解类型。给定的数据集，量子状态或更高维的多线性图是由较小的多线性图组成的组成和近似的。这让人联想到如何将布尔函数分解为栅极阵列：这代表了张量分解的特殊情况，其中张量输入的条目被0、1替换，并且分解化精确。相关技术的收集称为张量网络方法：该主题在几个不同的研究领域中独立开发，这些领域最近通过张量网络的语言变得相互关联。该领域中的Tantamount问题涉及张量网络的可表达性和减少计算开销。张量网络与机器学习的合并是自然的。一方面，机器学习可以帮助确定近似数据集的张量网络的分解。另一方面，可以将给定的张量网络结构视为机器学习模型。本文中，调整了张量网络参数以学习或分类数据集。在这项调查中，我们恢复了张量网络的基础知识，并解释了开发机器学习中张量网络理论的持续努力。

由于它们的多功能性，机器学习算法表现出识别许多不同数据集中的模式。然而，随着数据集的大小增加，培训和使用这些统计模型的计算时间很快地增长。Quantum Computing提供了一种新的范例，可以克服这些计算困难的能力。这里，我们将量子类似物提出到K-means聚类，在模拟超导Qubits上实现它，并将其与先前显影的量子支持向量机进行比较。我们发现算法可与群集和分类问题的古典K均值算法相当的算法，发现它具有渐近复杂度$ O（n ^ {3/2} k ^ {1/2} \ log {p}）$如果$ n $是数据点数，$ k $是群集的数量，$ p $是数据点的尺寸，在经典模拟中提供了重大的加速。

最近，随着医学的数字化，利用临床部位收集的现实医疗数据一直在吸引注意力。在本研究中，量子计算被应用于线性非高斯无循环模型，以发现单独从现实世界医疗数据的因果关系。具体而言，使用量子内核计算Directlingam，因果发现算法的独立测量，并验证了实际医疗数据的准确性。当使用量子内核（Qlindam）的DirectlingAm应用于现实世界的医疗数据时，确认了一个案例，其中当数据量很小时，可以正确估计因果结构，这是现有方法不可能。此外，Qlingam在使用IBMQ的实验中在实验中在实验中实现。建议Qlingam可能能够发现新的医学知识并为医学问题的解决方案提供贡献，即使只有少量数据都有。

量子计算是使用量子力学执行计算的过程。该领域研究某些亚杀菌粒子的量子行为，以便随后在执行计算，以及大规模信息处理中使用。这些能力可以在计算时间和经典计算机上的成本方面提供量子计算机的优势。如今，由于计算复杂性或计算所需的时间，具有科学挑战，这是由于古典计算而无法执行，并且量子计算是可能的答案之一。然而，电流量子器件尚未实现必要的QUBITS，并且没有足够的容错才能实现这些目标。尽管如此，还有其他领域，如机器学习或化学，其中量子计算对电流量子器件有用。本手稿旨在展示2017年和2021年之间发布的论文的系统文献综述，以确定，分析和分类量子机器学习和其应用中使用的不同算法。因此，该研究确定了使用量子机器学习技术和算法的52篇文章。发现算法的主要类型是经典机器学习算法的量子实现，例如支持向量机或K最近邻模型，以及古典的深度学习算法，如量子神经网络。许多文章试图解决目前通过古典机器学习回答的问题，但使用量子设备和算法。即使结果很有希望，量子机器学习也远未实现其全部潜力。由于现有量子计算机缺乏足够的质量，速度和比例以允许量子计算来实现其全部潜力，因此需要提高量子硬件。