版权所有 (c) 2021 百度量子计算研究所，保留所有权利。
在之前的两章中，我们分别介绍了一些基础以及进阶的量子算法，这些算法早在上个世纪便被提出。彼时，量子计算的概念刚刚兴起，主要的研究还集中在理想情况下基于通用量子计算机的理论探索。时间来到二十一世纪，随着量子硬件的发展，有噪中等规模量子（Noisy Intermediate-Scale Quantum, NISQ）时代到来，人们也逐渐意识到当前的量子技术与理想的通用量子计算（Universal Quantum Computing）之间还有不小的距离。现在以及未来几年可供使用的大部分量子设备都属于 NISQ 设备，这些设备有五十到几百个物理量子比特，且受一定的噪声影响，而为通用量子计算机设计的算法几乎很难在这些设备上实现。于是，越来越多的研究者开始关心近期的 NISQ 设备能做些什么，能产生什么实际的应用。
一方面，NISQ 设备所拥有的量子比特的数量和质量已经达到了经典计算机难以模拟的程度，谷歌 和中国科学技术大学 都通过精心设计的实验相继展示了在特定问题下的量子优势。另一方面，有着实际应用的近期量子算法也大量涌现，其中主要的一类是变分量子算法（Variational Quantum Algorithms），也叫做混合量子-经典算法（Hybrid Quantum-Classical Algorithms），其应用涵盖了量子化学、组合优化、机器学习 等诸多领域。变分量子算法基于参数化量子电路（Parameterized Quantum Circuits，有时也被称作量子神经网络，即 Quantum Neural Networks）模型，使用经典设备优化量子电路中的参数以得到想要的结果。除了变分量子算法，许多非变分的量子算法例如量子核方法 也有望在 NISQ 设备上产生优势应用。关于更多适用于 NISQ 设备的算法可以参考综述 [10]。
在本章中，我们将介绍几个具有代表性的变分量子算法以及量子核方法。在介绍算法理论和原理的同时，我们也加入了模拟算法运行的演示。算法的代码实现使用了基于百度飞桨深度学习平台开发的量子机器学习工具集——量桨。关于量桨的安装说明可以参考其官方网站，对于想要自行尝试变分量子算法的读者，我们推荐首先阅读快速入门部分，尤其是其中的“变分量子算法入门”一节以了解变分量子算法的设计思路。此外网站上还给出了许多其他近期量子算法的教程和用例。
在学习与使用本知识库的过程中，欢迎积极反馈建议或者意见至 quantum at baidu.com，这将有助于我们不断地优化迭代量易简。
[1] Preskill, John. "Quantum computing in the NISQ era and beyond." Quantum 2 (2018): 79.
[2] Arute, Frank, et al. "Quantum supremacy using a programmable superconducting processor." Nature 574.7779 (2019): 505-510.
[3] Zhong, Han-Sen, et al. "Quantum computational advantage using photons." Science 370.6523 (2020): 1460-1463.
[4] Cerezo, Marco, et al. "Variational quantum algorithms." Nature Reviews Physics (2021): 1-20.
[5] Chen, Ranyiliu, et al. "Hybrid quantum-classical algorithms: foundation, design and applications." Acta Physica Sinica.
[6] Peruzzo, Alberto, et al. "A variational eigenvalue solver on a photonic quantum processor." Nature Communications 5.1 (2014): 1-7.
[7] Farhi, Edward, Jeffrey Goldstone, and Sam Gutmann. "A quantum approximate optimization algorithm." arXiv preprint arXiv:1411.4028 (2014).
[8] Benedetti, Marcello, et al. "Parameterized quantum circuits as machine learning models." Quantum Science and Technology 4.4 (2019): 043001.
[9] Havlíček, Vojtěch, et al. "Supervised learning with quantum-enhanced feature spaces." Nature 567.7747 (2019): 209-212.
[10] Bharti, Kishor, et al. "Noisy intermediate-scale quantum (NISQ) algorithms." arXiv preprint arXiv:2101.08448 (2021).
最后更新时间：2021年12月20日