澳大利亚国家研究机构CSIRO与墨尔本大学的研究人员，在量子计算与人工智能交叉领域取得重要进展，为量子机器学习(QML)的实用化铺平道路。传统量子机器学习模型依赖深度电路，包含数百个量子门，但量子处理器产生的噪声会导致微小误差迅速累积，严重影响精度。尽管量子纠错技术理论上可行，但其高昂成本——需数百万量子比特——远超现有硬件能力，成为制约发展的主要障碍。

研究团队发现，量子机器学习模型中超过一半的量子门具有可训练性，可在学习过程中自我调整。通过跳过对这些量子门的纠错，模型能在训练中实现“自我纠错”，精度接近完全纠错模型，但所需量子比特数量大幅降至几千个，而非数百万个。这一突破性方法显著降低了硬件门槛，为量子机器学习在现实量子处理器上的应用提供了可能。第一作者、墨尔本大学博士生康海月表示：“此前量子机器学习多在理想模拟环境中测试，但真实量子计算机存在噪声，导致硬件与模型不兼容。我们的研究缩小了理论与实际应用的差距。”

CSIRO量子系统团队负责人穆罕默德·乌斯曼教授称，这项研究是“范式转变”，证明了部分纠错足以使量子机器学习在近期可实现的量子处理器上切实可行。这一成果不仅加速了量子机器学习从理论到现实的转化，还为更快的训练速度、更智能的人工智能及现实世界量子优势的实现奠定了基础。研究标志着量子计算与人工智能领域的重要里程碑，重新思考了如何为受噪声影响的硬件构建量子算法。

更多信息：作者：Haiyue Kang 等人，标题：《几乎容错的量子机器学习及其大幅降低的开销》，发表于：《量子科学与技术》(2025)。期刊信息： 量子科学与技术