# 量子機器學習

## 圖檔
https://drive.google.com/drive/folders/18aO_-bOqPHAqHw98CI0kAfuSwZcLmXsC

## 文案

### 第一張
量子機器學習是一種結合量子計算和機器學習的技術，目的是提升計算能力和效率。在這個領域中，有一些重要的里程碑，標誌著其發展的重大進展。

2008年，Vittorio Giovannetti、Seth Lloyd和Lorenzo Maccone發表了《Quantum Random Access Memory (QRAM)》。QRAM提供了一種高效的方式來存取量子計算中的數據，類似於傳統計算機中的隨機存取記憶體，但具備了量子的特性，使其在處理複雜數據時能夠更快速高效。2009年，Harrow、Hassidim和Lloyd提出了HHL算法。這是一個解決線性方程組的量子算法，展示了量子計算在解決特定問題上的強大能力，尤其在處理大數據和複雜計算方面遠超傳統算法。

### 第二張
隨著時間的推移，2013年，Maria Schuld、Ilya Sinayskiy和Francesco Petruccione發表了《An Introduction to Quantum Machine Learning》，這是第一篇全面介紹量子機器學習概念和應用的文章。2017年，Google研究團隊提出了量子卷積神經網絡（QCNN）的概念，展示了如何將量子計算應用於深度學習，尤其是在圖像識別和分類等方面，量子卷積神經網絡可以大幅提升深度學習的效率和精度。

### 第三張
量子機器學習在2020年代迎來了實驗和應用階段的突破，多家技術公司和研究機構開始專注於量子機器學習的應用研究，IBM的Qiskit和Google的TensorFlow Quantum等量子計算框架相繼發布，標誌著這一領域的興起。2021年，《Machine Learning with Quantum Computers》一書出版，詳細介紹了量子機器學習的理論和應用，成為該領域的重要參考資料。隨著研究的深入，2022年量子增強機器學習（QEML）的研究愈發活躍，探索如何將量子計算結合經典機器學習，以提升算法性能。到2023年，量子神經網絡（QNN）和量子生成對抗網絡（QGAN）等概念逐漸成熟，預示著量子機器學習未來廣闊的發展前景。

而量子機器學習與傳統機器學習或深度學習的主要區別在於其利用了量子計算的獨特特性，這些特性包括疊加性、糾纏性、指數級加速能力以及高度並行性等。這些特性使得量子機器學習在處理特定問題時，具有潛在的巨大優勢，隨著技術的進步，量子機器學習將在未來的科技發展中扮演更加重要的角色。

若想知道更多量子機器學習的故事，歡迎來參加2024學生量子電腦年會，一起探索量子的世界 !
2024/08/04(Sun) 09:00 ~ 17:00
中央研究院人文社會館 / 台北市南港區研究院路2段128號