浅谈：与量子有关的几个热门话题

21世纪的我们，也许很焦虑。焦虑自己没有赶上互联网新起的浪潮；焦虑我们没能像马云，马化腾，李彦宏那样大干一场；也许正在我们焦虑的过程中，机器学习的浪潮也快要被我们错过了。然而下一个浪潮我们一定不能错过，那就是量子计算机。下面就个人经验简要的谈谈与量子领域有关的几个热门话题。

为什么是量子深度学习以及什么是深度学习？

整体上讲，如果你精通深度学习，你可以找到一份好工作。即使是一个不同学校的本科和硕士完成了相同的深度学习的专业（学业），可以在这个大部门工作。实际上讲机器学习（矢量数学），深度学习（向量空间（图形）数学）和大数据是大公司为了在市场上形成趋势所创造的术语，但在科学和研究中没有这样的“话”，现在有一天如果你问一个在这些大公司工作的新手，什么是深度学习，你会得到一些答复，“使用卷积神经网络对无监督数据进行随机梯度线性回归”。他们也许清楚地知道这些名词，并不知道如何使用它进行编程一堆“相关数据”，如果你向他们询问FCM，SVM和HMM等算法，他们会简单地说这些是旧时算法，深度学习取代了所有。但实际上他们从出生到结束不知道算法和数学的有效性。在向量，空间，张量等中有多少数学定理被解决以找到这种“隐藏复杂性技术”，他们没有使用真实的非相关数据，如医学图像，天文图像，地质图像等找到一个关系和特征是非常复杂的，并且在n个图像上循环以进行模式匹配是一项巨大的工作。

是量子深度学习还是深度量子学习？
在人工神经网络研究的中期，人们最大限度地意识到可能与人工神经网络有关的某些数学运算，这个人工神经网络的目标是实现许多数学运算的并行执行。在人工智能中，世界智能代表数学，如果探测器可以解决的有效性是基于数学逻辑应用于问题，更多的逻辑将提供更多的性能（更智能），这个目标打开量子人工神经网络的大门，应用深度学习背后的思想在量子力学环境中，可以将复杂的数学方程应用于n个非关系数据，以发现更多的特征，并可以提高其性性能。

量子机器学习与深度学习的比较？
讨论这个问题很有趣，最近一段时间来自产品公司的大多数员工喜欢google，microsoft等使用的“深度学习”这个词，究竟是什么深度学习？这是一项新发明吗？怎么学这个？它取代了机器学习吗？这些问题出现在初级研究学者和中层员工的脑海中。所有问题的一个答案是深度学习=并行“for”循环，仅此而已，它是重复执行多个任务并降低计算成本的有效方式，但它在数学和计算机科学之间引入了一个巨大的上限。基于并行处理的所有经典算法，它取决于第一个循环的反馈，在多个集群中应用并行经典算法不会给出好的结果，但是一些轻量级并行经典算法（深度学习）在多个集群中完成工作。它不适合复杂的问题，那么解决方案是什么？
正如在量子机器学习这个标题中所说的那样，深层学习的优势在于简单地对数据进行批量处理，但量子机器学习是根据算法进行批量处理的。产品公司实现了这一点，他们开始转向量子机器学习，并且在量子概念上执行经典算法比在经典计算机上的深度学习算法提供更好的结果，并且目标是合并两者以给出更好的结果。

参考资料：