## 量子機器學習 (十) - 量子機器學習的未來
QML 自誕生以來，便承載著突破計算瓶頸的期待。量子計算的指數級表示能力，來源於 Hilbert space，被期待能夠為機器學習提供超越古典計算的優勢。然而，在實際應用層面，QML 的發展卻受到諸多限制，其中最顯著的挑戰來自於數據編碼的高成本（大量 qubits 或是超深量子電路）以及推論階段對量子電腦的依賴。這些挑戰使得 QML 雖然在研究領域引起廣泛關注，卻難以真正應用於產業界。
為了解決這些問題，量子訓練 Quantum-Train（QT）方法應運而生，開啟了一條全新的 QML 研究方向。Quantum-Train 的核心概念在於：僅在訓練階段使用量子計算，並在推論階段完全依賴古典計算。透過這種設計，Quantum-Train 避開了 QML 中棘手的數據編碼問題，同時確保了模型在應用時不再受限於量子硬體的可用性。這一突破性的方法，成功讓 QML 從學術理論走向更實際的應用，成為一種真正可行的量子輔助學習機制。
然而，Quantum-Train 的影響並未止步於此。在其基礎上，進一步發展出[量子參數適應（Quantum Parameter Adaptation, QPA）](https://openreview.net/forum?id=bB0OKNpznp)，發表於 ICLR 2025，專注於解決大型語言模型（LLM）微調所面臨的挑戰。隨著 GPT-4、Gemma-2B 等大規模模型的興起，機器學習領域的計算需求急劇上升，即使是參數高效的微調技術（如 LoRA），仍然無法完全消除訓練時的巨大資源消耗。QPA 的提出，則為 LLM 微調提供了一種嶄新的量子輔助方法：在訓練時利用量子神經網絡（QNN）來壓縮參數搜索空間，使得模型能夠在更少的參數下達到與傳統微調方法相當的效果，而最終的模型仍然是純古典的，確保了推論階段的可行性。
這一系列發展標誌著 QML 的發展進入了一個新的時代——從單純探索量子計算的潛在優勢，轉向更加應用導向的研究。未來，QML 的發展將可能朝著幾個關鍵方向前進。首先，QML 與 LLM的深度整合，將成為下一個研究熱點。Quantum-Train 已經展現了量子計算在 LLM 微調中的潛力，未來可能會有更進一步的發展，例如 量子優化的 Transformer 結構，或者透過量子計算來提升 LLM 的檢索與推理能力。此外，QML 也將在強化學習領域發揮更大作用，例如 QTRL（Quantum-Train Reinforcement Learning）已經展示了如何在決策模型中降低訓練參數數目，而未來可能進一步應用於自動駕駛、機器人控制等即時決策領域。
另一方面，QML 與混合量子古典計算的結合，將會是一個長期的研究方向。目前 Quantum-Train 主要利用 NISQ 設備進行訓練，**但未來當量子硬體技術進一步發展時**，可能會有更多的量子-古典混合AI模型，讓推論階段也能夠部分利用量子計算，進一步提升效率。此外，隨著 QML 應用的成熟，將會出現更多產業級的 QML 解決方案，例如專門的 QML 軟體框架、雲端量子 AI 服務，甚至是量子計算驅動的全新機器學習架構。
綜觀 QML 的發展歷程，從最初的量子神經網絡，到 Quantum-Train 的提出，再到 QPA 在 LLM 微調中的應用，可以看到量子機器學習已經從一個理論探索領域，逐步邁向更具實用價值的應用層面。這不僅讓 QML 擺脫了對量子硬體的完全依賴，也讓其真正具備了改變現代 AI 計算模式的潛力。未來，Quantum-Train 框架與 QPA 的持續發展，將推動 QML 在 LLM、強化學習及各種高性能計算領域的進一步應用，最終開啟量子 AI 時代的新篇章。
## 參考文獻
[1] [Quantum machine learning](https://www.nature.com/articles/nature23474)
[2] [Quantum-Train: Rethinking Hybrid Quantum-Classical Machine Learning in the Model Compression Perspective](https://arxiv.org/abs/2405.11304)
[3] [Training Classical Neural Networks by Quantum Machine Learning](https://ieeexplore.ieee.org/document/10821200)
[4] [A Quantum Circuit-Based Compression Perspective for Parameter-Efficient Learning](https://openreview.net/forum?id=bB0OKNpznp)
