---
title: 1|Machine Learning Will Tackle Quantum Problems, Too.
tags: IEEE, uncomplete
---
# 1 | Machine Learning Will Tackle Quantum Problems, Too.
[**原文章**](https://spectrum.ieee.org/machine-learning-quantum)
原文時間：2022.9.28
本篇撰寫日期：2022.9.30
By：蘇雋勛
# 大綱
機器學習會在量子電腦普及以前代替量子電腦
處理量子電腦擅長的領域
像是[**新一代的電池**](https://spectrum.ieee.org/lithium-air-battery-quantum-computing) 以及新的藥物
>應該就是跟化學分析有關的

因為量子擁有
1. [superposition](https://spectrum.ieee.org/longlasting-qubits)
2. [entanglement](https://spectrum.ieee.org/what-is-quantum-entanglement)

所以才可以比傳統電腦處理更快

## 困難
但是量子電腦遇到了一些難題 [noisy intermediate-scale quantum](https://spectrum.ieee.org/quantum-computing)
導致如果要彌補錯誤率的話需要很大量的量子
但這就是目前的技術瓶頸了

而最近有論文的結果就是 機器學習演算法比傳統電腦的演算法
更適合解決量子電腦擅長的領域
>因為機器學習可以用專門的GPU或是其他IC去計算
>不一定要用CPU

而量子電腦擅長的領域中 有一項是本篇的主旨
就是發現更多有關量子領域的性質研究
像是 **建模量子系統**(modeling quantum system)

>因為現在就是對於量子的研究不夠多
所以量子電腦才出現瓶頸

而傳統電腦處理這些領域的問題的能力是比較慢的；
量子電腦因為本身就是這領域的東西 所以理論上是最快的
>*Classical computers often struggle to model quantum systems,especially ones involving many bodies. In contrast, quantum computers are themselves quantum systems,and so can theoretically solve these kinds of quantum many-body problems far more quickly.*

## 機器學習
於是最近的論文就是說 機器學習在解決這領域的問題 比傳統電腦還要更準確且效率
如果是在相同時間下的話會比傳統電腦有更高準確率...
舉例的問題如：
1. 找尋和預測分子的基態 (Ground State)
(finding the ground state of a molecule)
>因為 superposition 和 entanglement 讓這件事情變得很困難
>不過機器學習做得很好

2. 將物質大量的量子態分類
(classifying a wide range of quantum phases of matter)

總之該論文的作者對於能夠證明
*機器學習演算法可以比傳統電腦演算法來的優秀*
感到興奮
>*It is exciting to have formal proof that classical machine-learning algorithms trained with data from physical experiments could outperform any classical non-machine-learning algorithms in an important problem in quantum physics*
## 未來
目前作者說未來的研究方向有
1. 找到其他量子領域的問題
2. 優化機器學習演算法
像是學習的資料和運算所需的時間