百度首发量子机器学习开发工具“量桨”
5月20日，在线上举办的“WAVE SUMMIT 2020”大会上，百度CTO王海峰公布了他们最新的全景图，并发布了国内首个量子机器学习开发工具“量桨（Paddle Quantum）”[1]。
此次公开发布的升级包含了飞桨开源深度学习平台和飞桨企业版，当然，我们更关注的是百度的量子机器学习开发工具Paddle Quantum。
Paddle Quantum 是一个基于百度开源框架PaddlePaddle的机器学习库，支持量子神经网络的搭建与训练。该机器学习库提供了量子机器学习（Quantum machine learning，QML）开发者套件，对各种量子应用开发提供了应用工具包。
据百度量子计算研究所所长段润尧博士介绍，量桨提供了神经网络的搭建和量子机器学习的诸多案例，并支持常用的量子线路的模拟以及量子优化，量子化学等应用工具集。相关的细节可以参考百度Github主页[1]，获取更多安装使用信息。
量子机器学习是量子计算机科学和机器学习的交叉学科研究[2]。QML可以利用量子计算的优势来改进经典的机器学习方法（关于量子机器学习可参考：量子机器学习历史回顾）。
这个术语最常见的用途是用于分析在量子计算机上执行经典数据的机器学习算法，即量子增强机器学习（quantum-enhanced machine learning）。量子增强机器学习指的是在机器学习中解决某一任务的量子算法（关于量子算法，入门可参考李绿洲教授文章：量子算法简介），以此改进并加快经典的机器学习技术。这样的算法通常需要将给定的经典数据集编码到量子计算机中，以便处理量子信息， 随后，通过测量量子系统读出量子计算结果。
这样的方式也称为经典和量子处理的混合方法，其中计算困难的子程序会打包给量子系统来处理，然后用经典的方式继续对子程序的结果进行处理（可把QPU理解成类GPU式的量子加速器）。
在QPU的帮助下（一些工作在模拟器中即可测试，比如量桨在没有QPU的情况一下，依然可以做很多测试工作），这些运行的程序可能会更加复杂，但是，执行的速度将会更快，甚至可解决过去纯经典方法不能以有效时间解决的问题。当然，量子机器学习的术语表达并不止如此。
通常，结合量子计算和机器学习有四种不同方法，如下矩阵表，第一个字母表示的正在研究的系统的类型，C（Classical）表示的经典计算机，Q(Quantum)表示的量子计算机，第二个字母也表示同样的含义。
目前QC和CQ都是比较热门的研究领域，虽然进行量子机器学习需要大规模的量子比特数量，但是人们在NISQ设备上也找到了一些可测试的案例。
比如对量子振幅线性代数模拟，典型的有HHL算法，以及基于 Grover 搜索的量子机器学习算法和量子抽样等。这些对深度学习，人工智能应用等都有着巨大的开发潜力。
百度公司在人工智能领域早有积累，因此量子机器学习开发工具“量桨“的发布，是自然而然的结果。
当然，这也是国内目前唯一支持量子机器学习的深度学习平台，得益于飞桨190多万用户的加持，在机器学习领域有较多的用户基础，这对于推动量子计算结合人工智能等用例的研究和探索提供了更多的想象空间。
量子计算机作为计算科学的一个分水岭，不仅仅在运算速度潜力上优于经典计算机，其他方面也具有优势，如量子计算机可以用来破解经典计算机几乎不可能破解的非对称加密（比特币之痛，2022年量子计算机或将其破解），以及大规模模拟分子、原子等特性。这也是为什么全球科技公司群雄逐鹿的推动力所在，当然这也是军方感兴趣的主要原因之一。
而量子计算最好的时机，不是过去，也不是未来，而是现在，一切正好。