本期“量子信息”專欄評述

本期『量子信息』專欄主持人 楊國武

評“大數據環境下量子機器學習的研究進展及發展趨勢”王曉霆

量子機器學習是量子計算和機器學習在各自領域蓬勃發展后必然產生的交叉學科。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元在內的有關機器學習的先驅性研究。歷史總是驚人的相似，兩個學科在發展之初，各自領域最杰出的科學家都做出了開創性的工作：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均在二十世紀八九十年代得到了高速發展，并都在高速發展之后經歷了一段“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注和發展，并應運而生了量子機器學習這一交叉學科。經過近十年的發展，量子機器學習尤其是相關量子算法方面，已經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、量子神經網絡等，其研究范圍已經包括了經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作用。

該文從一個新穎的角度，即大數據的復雜性和不確定性，對量子機器學習如何跟大數據研究相結合這一課題，做出了相關綜述，系統地總結了大數據不確定性集合理論和分析方法，總結了經典機器學習的研究對象和相關算法，以及迄今為止量子機器學習領域所提出的量子算法和相關問題，并給出了一個如何結合大數據本身的科研問題探索量子機器學習新算法的思路。如何在大數據領域，獲得更多有關量子機器學習的理論成果和應用場景，我們拭目以待。

評“SM4 密碼算法S 盒的量子電路實現”徐兵杰

隨著量子計算的發展，現行經典密碼系統的安全性受到了嚴峻威脅。對于非對稱密碼系統，Shor 算法能夠迅速破解基于大整數分解及離散對數困難問題的密碼算法；對于對稱密碼系統，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較小，但仍需引入相應措施以應對量子計算威脅。現有對稱密碼算法在量子環境下的安全性分析大多基于該算法可通過量子電路實現的假設之上，但目前國內外僅在AES 算法的量子電路實現方面有少量研究，而對其他主流對稱密碼算法（如SM4）的量子電路實現研究并未涉及。

該文針對以上研究現狀，首次給出了SM4 密碼算法S 盒的量子電路實現方案。主要基于SM4 密碼算法S 盒的代數結構，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，比較高效地構建并實現了其S 盒的量子電路。該研究將對量子環境下SM4 密碼算法的研究產生推動作用，也豐富了對稱密碼在量子環境下的安全性分析。