据美通社的报道，剑桥量子计算（CQC）的科学家已经研发出一种方法，它能证明量子机器学习可以从非常普遍的概率推理模型中推断出隐藏信息。这种方法可以改善许多应用，尤其是那些具有复杂系统的推理和不确定性的量化。比如医学上的疾病诊断、关键任务上的错误检测和投资管理上的财务预测。

CQC研究人员在预印本网站arXiv上发表了一篇文章，该文明确了量子计算机可以学习处理现实世界中典型的不确定性问题，人类通常可以直观地处理这类问题。该研究团队由马塞洛·贝内德蒂（Marcello Benedetti）博士领导。

该研究团队通过IBM Q量子模拟机实现了三项证明，这些测试表明，用高表现力推理模型的量子计算机可以在不同领域实现新的应用。该团队成功演示了量子计算在以下三个方面有辅助推理能力：1. 贝叶斯网络的随机实例推理；2. 在模拟金融时间序列的隐马尔可夫模型中推断市场条件波动；3. 被称为“肺癌”问题的医学诊断任务。

目前，对复杂分布进行采样被认为是利用现在嘈杂的量子设备在机器学习中获得量子优势的最有前途的方法之一。这项开创性的工作表明，即使是早期阶段的量子计算仍是科学研究中解决很多实际难题最有效的工具。而来自各行各业的机器学习科学家以及量子硬件和软件的开发人员，他们将是短期内从此发展中受益最大的研究人员群体。

随着量子设备在未来几年里的不断改进，这项研究为将量子计算应用于概率推理及其直接应用于相关工程和业务问题奠定了基础。（编译/Rainet）