推断是根据与所关心变量相关的其他变量的观测结果，通过概率推理，对未经观测的变量得出一些结论。精确的推断是很难实现的，而近似的推断有两种主流方法，分别是马尔科夫链蒙特卡洛和变分推断，与量子计算相结合时，后者可能对高维数据更快收敛，也更有希望实现量子优势。

近日，剑桥量子计算公司的研究人员在IBM量子处理器上，用贝叶斯网络演示了变分推断。变分推断通过优化一个变分分布使之接近待推断的后验分布，从而把推断问题变成了优化问题。经典计算机从先验分布得到可观测变量的条件概率，再采用量子玻恩机得到用来近似后验分布的变分分布，其量子态的参数除了变分参数还包括观测结果。量子玻恩机所表示的离散变量分布的求解是一个采样问题，从而用量子计算机处理有潜在的优势。研究人员尝试了两种优化方法，一是对抗变分推断，目标函数为KL散度，让玻恩机和分类器做对抗优化，二是核Stein变分推断，目标函数为核空间上的Stein差异，通过经典模拟发现前者更好。研究人员还模拟了连续变量的隐马尔可夫模型，并在IBM量子处理器上演示了简化的肺癌诊断，虽然精度还不够高，但初步展示了量子变分推断的应用前景。

变分推断可以用在医学诊断、经济发展趋势分析等方面。该工作将量子计算与变分推断实验结合起来，为进一步实现量子加速打下基础。

论文信息：https://arxiv.org/abs/2103.06720v1