在经历了数十年的研究后，量子计算机现在的计算能力已经超越了其他所有计算机。人们常认为，量子计算机的杀手级应用可以对大数进行因数分解——这对现代加密技术至关重要。但是实现这一点至少还要再等十年。不过，当前基本的量子处理器已经可以满足机器学习的计算需求。量子计算机在一个步骤之内可以处理大量的数据，找出传统计算机无法识别出的微妙模式，在遇到不完整或不确定数据时也不会卡住。“量子计算和机器学习固有的统计学性质之间存在着一种天然的结合。
你可能能会认为量子机器学习系统应该很强大，但是这种系统实际上却像是患有某种闭锁综合症。量子机器学习系统处理的是量子态，而不是人类可以理解的数据，量子态和数据的相互转换会使系统原有的优势消失。就像是，iPhone X原本的参数和性能都很强，但是如果网络信号太差的话，它就会和老式手机一样慢。在一些特殊情况中，物理学家可以克服输入输出障碍，但是这些情况是否存在于现实机器学习任务中？答案仍然是未知的。
量子神经元
无论是传统神经网络，还是量子神经网络，它们的主要任务都是识别模式。受人类大脑的启发，神经网络由基本的计算单元（即“神经元”）构成。每个神经元都可以看作为是一个开关设备。一个神经元可以监测多个其他神经元的输出，就像是投票选举一样，如果足够多的神经元处于激活状态，这个神经元就会被激活。通常，神经元的排列呈层状。初始层导入输入，中间层生成不同组合形式的输入，最后一层生成输出。需要注意的是，神经元之间的连接需要经过反复试验进行调整，不是预先确定的。例如，给神经网络输入带有“小猫”或“小狗”标签的图像。网络会给每一张图像分配一个标签，检查是否匹配正确，如果不正确就调整神经元连接。刚开始时网络的预测是随机生成的，但是其准确度会越来越高；在经过10000个实例的训练之后，网络将能识别图像中的宠物。正规的神经网络可能拥有10亿个神经元连接，所有连接都需要进行调整。
在进行运算时，量子计算机可以利用量子系统的指数属性。量子系统的大部分信息储存能力并不是靠单个数据单元——qubit（对应于传统计算机中的bit）实现的，而是靠这些qubit的共同属性实现的。两个qubit带有四个连接状态：开/开、关/关、开/关、关/开。每个连接状态都分配有一个特定的权重或“幅值”，代表一个神经元。三个qubit可以代表八个神经元。四个qubit可以代表16个神经元。机器的运算能力呈指数增长。实际上，整个系统处处都分布有神经元。当处理4个qubit的状态时，计算机一步可以处理16个数字，而传统的计算机只能一步只能处理一个。
让系统本身解决问题
目前为止，我们只在4 qubit的计算机上实现了基于量子矩阵代数的机器学习。量子机器学习在实验上取得的大部分成功都采用了一种不同的方法：量子系统不只是模仿网络，它本身就是网络。每个qubit代表一个神经元。虽然这种方法无法让计算机利用指数属性所带来的优势，但是它可以让计算机利用量子物理学的其他特性。
在运行量子系统时，必须先施加一个水平的磁场，这个磁场可以将qubit预置为向上和向下的均等叠加——等同于空白状态。输入数据的方法有好几种。在某些情况中，你可以将某一层qubit固定在预期的输入值；不过多数情况下，应将输入导入到qubit的相互作用的范围内。然后让qubit相互作用。某些qubit朝同一方向排列，某些qubit朝相反方向排列，在水平磁场的作用下，它们会翻转到它们选择的方向。通过这样做，这些qubit可以触发其他qubit进行翻转。由于很多qubit都没对准方向，刚开始时会发生很多翻转。等到翻转停止后，你可以关闭水平磁场，将qubit锁定在固定位置。此时，qubit处于朝上和朝下的叠加状态，这种状态可以确保输出与输入相对应。
量子智能
许多神经科学家现在认为人类思维的结构反映了身体的要求，实际上机器学习系统也囊括万千。这些系统所处理的图像、语言和大多数其他数据都来自于真实世界，这些数据反映了世界的种种特征。同样，量子机器学习系统也是包罗万象的，它所反映的世界要远远大于我们的世界。毫无疑问，量子机器学习系统将在处理量子数据上大放光彩。当数据不是图像，而是物理学或化学实验的产物时，量子计算机将会大显神通。如果解决了数据输入问题，传统的计算机就将会被完全淘汰。
神经网络和量子处理器有一个共同点：那就是它们竟然能实现。训练神经网络绝不是想当然能做到的，过去几十年间，大多数人都对是否能做到持质疑态度。同样，量子物理学是否能被用在计算上也不好说，因为我们对量子物理学独特的能力还知之甚少。但是神经网络和量子处理器都已实现，虽然并不是总能实现，但是还是超出了我们的预期。考虑到这一点，量子物理学和神经网络的结合很可能会在未来擦出不一样的火花！