在过去几年中，量子计算机的采用和开发速度加快了。研究人员将这种新颖的计算方法应用于各个领域，包括量子力学、流体动力学研究、开放问题，甚至机器学习，并取得了可喜的成果。延续这一趋势，英国初创公司剑桥量子计算(CQC)现在已经证明量子计算机“可以学会推理”。虽然乍一看这似乎令人困惑，但这一说法是基于CQC的新研究。该公司量子机器学习负责人MattiaFiorentini博士及其研究团队使用量子计算机研究突变推理。 变分贝叶斯方法是我们使用随机优化和其他学习技术来近似给定概率分布的过程。撇开技术术语不谈，这意味着量子计算机输出推理问题的潜在解决方案。比如今天是阴天，但是草是湿的，请问是什么原因造成的呢？洒水器还是曾经下过雨？ 在arxiv上发表了一篇题为《Variational inference with a quantum computer》（QNLPinPractice:RunningCombinatorialModelsofMeaningonQuantumComputers）的研究论文，强调了公司相信量子计算机对变分推理有重大影响，并通过扩展成为一个有前途的指标推理条件。 该研究团队由MarcelloBenedetti博士和合著者BrianCoyle、MichaelLubasch博士和MatthiasRosenkranz博士领导，隶属于由MattiaFiorentini博士领导的CQC量子机器学习部门。 在论文中写道：“量子计算机的输出看起来是随机的。然而，我们可以对量子计算机进行编程，使其输出具有特定模式的随机序列。这些模式是离散的，并且可以变得非常复杂，以至于经典计算机无法在合理的时间内计算它们。这就是为什么量子计算机是概率机器学习任务的天然工具，例如在不确定情况下进行推理。” 在论文中，研究人员展示了他们在贝叶斯网络上的结果。测试了三个不同的问题集。首先，存在上述经典的云-洒-雨问题。第二个是在模拟金融时间序列的隐马尔可夫模型中预测市场机制转换（牛市或熊市）。第三，根据有关症状和危险因素的一些信息，推断患者可能患有的疾病。 使用对抗训练和内核化的Stein差异，其详细信息可以在论文中找到，它优化了经典概率分类器与称为Born机的概率量子模型。 训练结束后，分别在量子模拟器和IBMQ的真实量子计算机上对上面定义的三个问题进行推理。在下图截断的直方图中，洋红色条代表真实的概率分布，蓝色条代表量子计算模拟器的输出，灰色条代表IBMQ真实量子硬件的输出，真实量子计算机硬件上的结果受噪声干扰，导致收敛速度比模拟慢。然而，这在NISQ时代是意料之中的。 量子模拟器的概率分布与真实概率分布非常相似，说明量子算法的训练效果非常好，公司的对抗训练和核化Stein差分法是达到预期目的的强大算法. 该论文指出：“我们使用贝叶斯网络示例以数值方式演示了该方法，并在IBM量子计算机上进行了实验。我们的技术能够对分布进行有效的变分推理，而这些分布超出了那些在经典计算机上有效表示的分布。我们的技术使对超出经典计算机有效表示的分布的有效变量推断。”
