许多人认为，量子计算机可以证明是创建新的机器学习和AI算法的关键一步，可以极大地推动该领域的发展。甚至有研究表明我们的大脑可能是一台量子计算机，但是到目前为止，研究人员之间还没有达成共识。
鉴于我是该领域的新手，我想知道在量子计算机在AI中的应用方面是否进行了一些研究，从理论上讲，这些研究在某些任务上的执行可能会比现代深度学习算法更好或收敛速度更快。
Answers:
我只会回答关于量子力学如何对通过机器学习进行经典数据分析有用的问题的部分。也有一些与“量子AI”相关的作品，但这是一种更具投机性（且定义不清）的东西，我不想讨论。
那么，量子计算机可以用来通过机器学习算法来加速数据分析吗？引用Scott Aaronson的《阅读精美的论文》，那是一个简单的问题，答案很复杂。
首先应该指出的是，试图回答这种问题是量子机器学习研究领域的重要组成部分（最近，似乎更倾向于使用量子增强机器学习或量子辅助机器学习这一术语。指的是QM和ML的合并，以区别于使用ML来解决QM中的问题。从Wikipedia页面上可以看到，该领域发生了很多事情，尝试在此处给出相关论文的完整列表将毫无意义，因为它很快就会过时。
引自Schuld等。2014年，量子辅助机器学习（QAML）背后的思想是：
由于全球存储的数据量每年以大约20％的速度增长（目前大约为数百EB [1]），因此寻找创新的机器学习方法的压力越来越大。学术界以及领先的IT公司的研究实验室目前正在研究的一个有前途的想法利用了量子计算的潜力，以优化经典的机器学习算法。
回到您的问题，Harrow等人提供了第一个看似肯定的答案。2009年，当数据以量子状态存储时，它提供了一种有效的量子算法来反转方程的线性系统（在系统上的许多条件下）。这是一个基本的线性代数运算，导致了许多提议量子算法的发现被一些同一作者（的解决机器学习问题1307.0401，1307.0411，1307.0471），以及许多其他。现在有很多的评论，你可以看看得到引用的更全面的列表，像1409.3097，1512.02900，1611.09347，1707.08561，1708.09757，彼得Wittek的书，并有可能更多。
但是，这在实践中如何运作还远远没有确定。一些原因在Aaronson的论文中得到了很好的解释：阅读详细信息（另请参见发行版本：nphys3272）。粗略地说，问题是量子算法通常处理存储在量子状态中的“数据”，通常将矢量编码到状态的幅度中。例如，QFT就是这种情况，而HHL09和派生作品仍然如此。
最大的问题（或最大的问题之一）是，如何有效地将“大”经典数据加载到此量子状态进行处理远非显而易见。对此的典型答案是“我们只需要使用qRAM ”，但这也会带来很多警告，因为此过程需要非常快才能保持指数级加速，现在一旦数据输入就可以实现量子形式。我再次参考亚伦森的论文以获取有关警告的更多详细信息。
有争论说我们的大脑是量子力学的，而反对论据则是一个激烈争论的话题。UCSB的费舍尔（Fisher）对大脑如何仍然使用量子效应进行了一些思考性思考，即使它们本质上不是量子力学的。虽然没有直接的实验证据，但您可能需要阅读两个参考资料：
现在，关于使用量子计算和机器学习的主题，Rigetti Computing已经展示了使用其原型量子芯片（19量子位）的聚类算法。他们在arXiv.org上的白皮书中发表了他们的发现：
因此，显然有机会推进机器学习，并最终推动使用量子计算imho的AI。
迄今为止，量子计算机所做的许多工作都集中在解决组合优化问题上。D-Wave风格的Quantum Annealers以及来自Rigetti，IBM和Google的最新Gate Model机器都在解决组合优化问题。连接机器学习和量子计算的一种有前途的方法涉及在标准机器学习任务中发现优化问题。
例如，最新的Rigetti论文《 混合量子计算机 上的无监督机器学习》实质上将将数据聚类为两组的无监督机器学习问题（也称为2均值聚类）重铸为MaxCut的组合优化问题。然后，Rigetti的员工使用量子近似优化算法（QAOA）解决了MaxCut问题。
我希望将来会看到更多此类工作方式，特别是考虑到优化与机器学习之间的自然联系。