量子计算和人工智能机器学习是当前的两大热点研究领域，研究人员也在努力综合两者各自的优势，构建量子机器学习，既实现量子计算技术的应用，又提高经典机器学习的能力。

近日，IonQ和QC Ware发布了一篇论文报道，称实现了量子机器学习的一个重要里程碑，对量子机器学习的实际应用和量子计算的发展都有着重大意义。其采用IonQ离子阱量子系统中的11个全连接量子比特，设计了一种 “量子最近质心算法”（Quantum Nearest-Centroid Algorithm），实现了对MNIST手写数字图像集的识别分类，并且达到了相应经典算法的准确度。

在通常的量子机器学习研究领域，研究人员都假定使用量子随机存取存储器（Quantum Random Access Memory, QRAM）将数据加载到量子计算系统中，而这种QRAM方案对量子比特数目和量子线路深度方面都有较高的要求，在当前NISQ水平的系统中是难以实现的。IonQ和QC Ware则采用了其开发的Forge数据加载器技术，作为QRAM的替代方案，从而降低了对量子比特数目和量子线路深度的要求，这也是其能够真正实现该量子机器学习算法的关键。

采用Forge数据加载技术和量子最近质心算法，该研究团队以MNIST图像集为目标，有史以来首次在量子计算系统中实现了10个类别的图像识别分类任务。该量子机器学习算法的成功实现，为今后各种量子机器学习应用开辟了道路，加速了量子计算在机器学习领域的应用，也显示了当前量子计算系统的实际应用能力。

论文信息：https://arxiv.org/abs/2012.04145