QC Ware 自己定義為可在量子運算硬體運行的企業解決方案量子運算即服務（Quantum Computing-as-a-Service，QCaaS）公司，最近宣布量子機器學習（Quantum Machine Learning，QML）方面有多項重大突破。 

量子機器學習是傳統機器學習和量子運算的交集，但由於目前量子運算技術的侷限性，所以有用的機器學習主要限制於傳統運算領域。目前無法進行量子機器學習的原因有幾個：首先，沒有可用的量子隨機存取記憶體（QRAM）。相對傳統 RAM，QRAM 就是量子世界的專屬 RAM，因此有必要將大量傳統資料轉換成相對應的量子態（Quantum State）。

即使已有可用的 QRAM，QRAM 所需的量子位元（Qubit）數量也將遠遠超過任何量子電腦的可用數量。其次，撇開 QRAM 的量子位元要求不談，現今有雜訊量子電腦的量子位元數量，不足以完成機器學習所需的複雜運算。

QC Ware 研究人員開發了 Data Loaders 資料載入元件，其為可以有效輕鬆地將傳統資料加載到量子硬體上的 QRAM 替代品。它們也是量子電腦上執行距離估測（Distance Estimation）的有效方法。距離估測是機器學習中使用的一種演算法，它試圖將每個資料點與其他點或具有相似屬性的叢集進行分組。

QC Ware 的 Data Loaders 可在其名為 Forge 的雲端平台使用。Forge 支援量子硬體的量子演算法、量子硬體模擬器，以及讓企業可構建、編輯和執行量子演算法之經典模擬器的存取與使用。

「根據 QC Ware 估計，藉助 Forge Data Loaders，整個產業原本對 QML 預估還要 10~15 年才有實際應用出現的時間表將可大大縮短，」QC Ware 產品和業務開發負責人 Yianni Gamvros 表示：「我們的演算法團隊在量子運算產業取得的成就，相當於量子硬體製造商推出速度比之前產品快 10~100 倍的晶片。」

QC Ware 開發兩類型的 Data Loaders，一種是平行式 Data Loaders，另一種是最佳化 Data Loaders，都能將傳統資料轉換成機器學習應用的量子態。如前所述，QC Ware 提供了優化的距離估測演算法。與 QC Ware Data Loaders 選項相比，QRAM 硬體和 QRAM 量子啟發式電路所需的量子位元數量和電路深度（Circuit Depth）之間存在顯著差異。

「想要在近期量子電腦實現效能加速，重要的是要不斷推進現有硬體和演算法的極限，」QC Ware 量子演算法國際部門負責人 Iordanis Kerenidis 指出：「我們一直在努力透過創新演算法實現以更少的量子位元和更淺的電路來達到更高效能的目標。」

透過 GPU 加速，讓量子演算法測試速度從小時級降至秒級

除了機器學習 Data Loaders，Forge 最新版本還包括用於 GPU 加速量子演算法的工具。透過 GPU 加速，根據拍攝數量，演算法測試可以減少到幾秒鐘而不是幾小時。

新版本 Forge 包含了各種統包（Turnkey）演算法實作。考慮到今後預計會進入該領域的新量子開發者數量，以及演算法的易用性，這會是一大優勢。每個實作都提供了獨特的效能優勢和功能，例如，現在使用者可以針對比以前更大的問題運行量子分類、回歸（Regression）及叢集演算法，這是因為這些實作採用了 Forge　Data Loaders 和距離估測。同時提升 D-Wave 平台上針對更大問題之量子退火（Quantum Annealing）技術的效能達到 10 到 100 倍。而且，該演算法也可在傳統 CPU/GPU 模擬器等後端上執行。

由於有用的量子機器學習還需要很多年的時間，因此 QC Ware 新產品不僅對 QML，乃至整個量子運算發展都提供了積極的貢獻。Forge 新增功能與實作將促進更多能加快 QML 發展速度的各種研究。

（首圖來源：pixabay）