剑桥量子计算公司(CQC)的科学家开发出多种方法，并证明量子机器可以学习非常普遍的概率推理模型并从中提取隐藏的信息。这些方法可以改进范围广泛的应用，在这些应用中，复杂系统中的推理和对不确定性的量化至关重要。例如，医疗诊断、任务关键型机器中的故障检测或投资管理的财务预测。

　　CQC研究人员在预印库arXiv上发表的这篇论文中确定，量子计算机可以学习应对现实场景中典型的不确定性，而人类通常依靠直觉来处理这些不确定性。该研究团队由 Marcello Benedetti博士和共同作者Brian Coyle、 Michael Lubasch博士和 Matthias Rosenkranz博士带领，是CQC量子机器学习事业部的一个部门，该部门由 Mattia Fiorentini博士领导。

　　该论文在模拟器和IBM Q量子计算机上实施了三种原理求证，以展示在以下方面的量子辅助推理：

　　关于教科书贝叶斯网络随机案例的推理

　　在模拟金融时间序列的隐藏性马尔科夫模型中推理市场机制转换

　　一项被称为“肺癌”问题的医疗诊断任务。

　　原理求证表明，使用高度表现性推理模型的量子机器可以实现不同领域的新应用。该论文利用了这样一个事实，即从复杂的分布中取样被认为是在当今嘈杂量子设备的机器学习中实现量子优势的最有希望的方法之一。这项开创性的工作表明，即使在目前的早期阶段，量子计算对于研究诸如人类推理的仿真等科学界最具雄心的问题也是一项有效的工具。

　　各行业中的机器学习科学家以及量子软件和硬件开发人员应该是近期内可从这一开发中受益最多的研究群体。

　　这篇Medium上的文章与科学论文配合，提供了关于这项开创性工作背后的各项原理阐述，并描述了该团队实施的原理求证。

　　随着量子设备在未来几年将得到改善，这项研究为将量子计算应用于随机性推理及其在工程和业务相关问题上的直接应用奠定了基础。