一、機器學習取得新突破

　　該研究成果已獲世界頂級機器學習，以及計算神經科學領域的學術會議：「神經信息處理系統大會(NeurIPS 2022)」所接受，在全球超過一萬件的投稿中脫穎而出，于 11 月底進行發表。

　　小編了解到，貧瘠高原是指當量子計算機的比特數目較大時，當前量子神經網絡的框架很容易變得無法有效進行訓練，其目標函數會變得很平，導致訓練過久或訓練失敗。

　　針對該研究成果，謝明修所長表示，提出貧瘠高原現象的解決方案，讓量子學習機器展現出的超越傳統機器的真正優勢。結合該方案，量子計算研究所在今年鴻海科技日(HHTD22)展示量子模擬在電池開發上的研究成果，大大縮減了所需的量子資源。

　　談及貧瘠高原現象，謝明修所長進一步指出，一般來說，在量子機器學習的過程中，我們透過控制邏輯閘的可調變參數學習，來得到符合期望的量子電路模型，但是在學習的過程中，常因為邏輯閘過多且結構過深，使得參數更新困難。

　　謝明修所長表示，我們借由適當的給定可調變參數初始值，改善了貧瘠高原現象解決了長久以來一直困擾著量子機器學習領域所面臨的問題，在該領域的研究得到了突破性進展。

　　二、機器學習應用領域

　　1.數據挖掘

　　數據挖掘=機器學習+數據庫。這幾年數據挖掘的概念實在是太耳熟能詳。幾乎等同于炒作。但凡說數據挖掘都會吹噓數據挖掘如何如何，例如從數據中挖出金子，以及將廢棄的數據轉化為價值等等。但是，我盡管可能會挖出金子，但我也可能挖的是“石頭”啊。這個說法的意思是，數據挖掘僅僅是一種思考方式，告訴我們應該嘗試從數據中挖掘出知識，但不是每個數據都能挖掘出金子的，所以不要神話它。一個系統絕對不會因為上了一個數據挖掘模塊就變得無所不能(這是IBM最喜歡吹噓的)，恰恰相反，一個擁有數據挖掘思維的人員才是關鍵，而且他還必須對數據有深刻的認識，這樣才可能從數據中導出模式指引業務的改善。大部分數據挖掘中的算法是機器學習的算法在數據庫中的優化。

　　2.統計學習

　　統計學習近似等于機器學習。統計學習是個與機器學習高度重疊的學科。因為機器學習中的大多數方法來自統計學，甚至可以認為，統計學的發展促進機器學習的繁榮昌盛。例如著名的支持向量機算法，就是源自統計學科。但是在某種程度上兩者是有分別的，這個分別在于：統計學習者重點關注的是統計模型的發展與優化，偏數學，而機器學習者更關注的是能夠解決問題，偏實踐，因此機器學習研究者會重點研究學習算法在計算機上執行的效率與準確性的提升。

　　3.計算機視覺

　　計算機視覺=圖像處理+機器學習。圖像處理技術用于將圖像處理為適合進入機器學習模型中的輸入，機器學習則負責從圖像中識別出相關的模式。計算機視覺相關的應用非常的多，例如百度識圖、手寫字符識別、車牌識別等等應用。這個領域是應用前景非常火熱的，同時也是研究的熱門方向。隨著機器學習的新領域深度學習的發展，大大促進了計算機圖像識別的效果，因此未來計算機視覺界的發展前景不可估量。