HHL（Harrow-Hassidim-Lloyd）算法为矩阵求逆提供了二次加速，从而加速了支持向量机（SVM）、主成分分析（PCA）和推荐系统。
与 Shor 算法一样，上述加速是针对某些类型的量子数据的理论结果，并且仅在未来几代量子硬件上才具有实际有效性。
此外，将这些算法应用于经典数据的许多常用方法都依赖于将数据编码为本质上更高效的结构，而这些结构也可以被经典算法利用。这导致了另一类快速算法的出现，称为量子启发算法，它具有与量子算法相同的假设，但可以在经典硬件上执行。
与 ML 随着计算能力增强而发展为深度学习的方式类似，QML 也在向启发式方法转变，这得益于量子硬件在实证研究方面的可及性和进步。
这些新的 QML 算法使用参数 法国电报数据 化量子变换，称为参数化量子电路 (PQC) 或量子神经网络 (QNN)。与传统深度学习一样，这些模型的参数通过黑盒优化启发式方法或基于梯度的方法针对成本函数进行优化。
当今最流行的 QML 方法是混合型（下图），可分为以下三类。
具有量子增强特征空间的机器学习：量子电路用于提取特征，并且不学习其参数。它包括三个步骤：
1. 数据编码到量子空间。
2. 使用随机参数的 PQC 来生成特征（例如卷积滤波器 [8] 或核函数 [9]）。 |
