本期『量子信息』專欄主持人 楊國武

評“大數(shù)據(jù)環(huán)境下量子機器學習的研究進展及發(fā)展趨勢”王曉霆

量子機器學習是量子計算和機器學習在各自領(lǐng)域蓬勃發(fā)展后必然產(chǎn)生的交叉學科。量子計算的概念，可以追溯到二十世紀八十年代Benioff 提出的計算機量子力學模型；而機器學習的概念，可以追溯到二十世紀四五十年代包括人工神經(jīng)元在內(nèi)的有關(guān)機器學習的先驅(qū)性研究。歷史總是驚人的相似，兩個學科在發(fā)展之初，各自領(lǐng)域最杰出的科學家都做出了開創(chuàng)性的工作：一邊是圖靈提出的圖靈測試，另一邊是費曼提出的量子計算機和量子模擬的概念；兩個學科的理論基礎(chǔ)均在二十世紀八九十年代得到了高速發(fā)展，并都在高速發(fā)展之后經(jīng)歷了一段“嚴冬”，然后在2010 年之后得益于物理硬件上的突破而重新獲得了高度關(guān)注和發(fā)展，并應(yīng)運而生了量子機器學習這一交叉學科。經(jīng)過近十年的發(fā)展，量子機器學習尤其是相關(guān)量子算法方面，已經(jīng)獲得一系列重要的進展，如該文提到的量子K 近鄰、量子支持向量機、量子主成分分析、量子神經(jīng)網(wǎng)絡(luò)等，其研究范圍已經(jīng)包括了經(jīng)典機器學習所涉及的方方面面；然而，量子機器學習尚未被解決的重大問題依然存在，包括近兩年出現(xiàn)的新進展和問題，亟需更多好的綜述性文章做出承前啟后的總結(jié)作用。

該文從一個新穎的角度，即大數(shù)據(jù)的復(fù)雜性和不確定性，對量子機器學習如何跟大數(shù)據(jù)研究相結(jié)合這一課題，做出了相關(guān)綜述，系統(tǒng)地總結(jié)了大數(shù)據(jù)不確定性集合理論和分析方法，總結(jié)了經(jīng)典機器學習的研究對象和相關(guān)算法，以及迄今為止量子機器學習領(lǐng)域所提出的量子算法和相關(guān)問題，并給出了一個如何結(jié)合大數(shù)據(jù)本身的科研問題探索量子機器學習新算法的思路。如何在大數(shù)據(jù)領(lǐng)域，獲得更多有關(guān)量子機器學習的理論成果和應(yīng)用場景，我們拭目以待。

評“SM4 密碼算法S 盒的量子電路實現(xiàn)”徐兵杰

隨著量子計算的發(fā)展，現(xiàn)行經(jīng)典密碼系統(tǒng)的安全性受到了嚴峻威脅。對于非對稱密碼系統(tǒng)，Shor 算法能夠迅速破解基于大整數(shù)分解及離散對數(shù)困難問題的密碼算法；對于對稱密碼系統(tǒng)，Grover 算法能使其等價安全密鑰長度減半，其安全性所受的影響相比于非對稱密碼系統(tǒng)較小，但仍需引入相應(yīng)措施以應(yīng)對量子計算威脅?，F(xiàn)有對稱密碼算法在量子環(huán)境下的安全性分析大多基于該算法可通過量子電路實現(xiàn)的假設(shè)之上，但目前國內(nèi)外僅在AES 算法的量子電路實現(xiàn)方面有少量研究，而對其他主流對稱密碼算法（如SM4）的量子電路實現(xiàn)研究并未涉及。

該文針對以上研究現(xiàn)狀，首次給出了SM4 密碼算法S 盒的量子電路實現(xiàn)方案。主要基于SM4 密碼算法S 盒的代數(shù)結(jié)構(gòu)，采用48 個量子比特，592 個量子門（包括NOT 門、CNOT 門和Toffoli 門），電路深度為289，比較高效地構(gòu)建并實現(xiàn)了其S 盒的量子電路。該研究將對量子環(huán)境下SM4 密碼算法的研究產(chǎn)生推動作用，也豐富了對稱密碼在量子環(huán)境下的安全性分析。