的量子赶超传统实验使用了53个聒噪量子位，证明一台量子计算机只需200秒就可以完成采用现有算法的最大传统计算机须要大概10,000年才会完成的一项估算。这标志着喧闹小型量子(NISQ)估算时代即将开启。在未来几年中，具有数十乃至数百个聒噪量子位的量子设备有望成为现实。
量子估算
量子估算借助量子热学的属性来估算传统计算机难以解决的问题。量子计算机使用量子位。量子位如同计算机中的常规位，只不过它有两种附加能力，即被放在叠加态和互相纠缠。
传统计算机执行确定性精典运算，也可以使用取样方式来模拟机率过程。通过借助叠加和纠缠，量子计算机可以执行无法用传统计算机大规模模拟的量子运算。借助NISQ量子估算的设想包括优化、量子模拟、密码学和机器学习。
量子机器学习
量子机器学习(QML)基于两个概念建立：量子数据和混和量子精典模型。
量子数据
量子数据是在自然或人工量子系统中出现的任何数据源。这可以是由量子计算机生成的数据，比如从用于证明的量子霸权的处理器搜集的样本。量子数据表现出叠加态和纠缠态，最终形成可能须要数目以指数级下降的精典估算资源来表示或储存的联合机率分布。量子霸权实验表明，可以从2^53个希尔伯特空间的极端复杂联合机率分布中进行取样。
NISQ处理器生成的量子数据是喧闹数据量子通讯 优点，但是一般在检测之前就发生纠缠。启发式机器学习技术可以创建最大程度地从吵闹纠缠数据中提取有用精典信息的模型。(TFQ)库提供了用于开发模型的基元，这类模型可以解开并归纳量子数据中的相关性，因而为改进现有量子算法或发觉新的量子算法创造机会。
下边给出了可以在量子设备上生成或模拟的量子数据示例：
混和量子精典模型
量子模型可以表示和归纳包含量子力学起源的数据。因为近日的量子处理器一直很小且吵闹，因而量子模型难以仅使用量子处理器来归纳量子数据。NISQ处理器必须与传统的协处理器协同工作能够生效。因为早已支持跨CPU、GPU和TPU的异构估算，因而被用作试验混和量子精典算法的基础平台。
量子神经网路(QNN)用于描述最好在量子计算机上执行的参数化量子估算模型。此术语一般可与参数化量子电路(PQC)互换。
研究
在NISQ时代，甚或未能在有意义的规模上实现比精典算法（比如Shor的分解质质数算法或的搜索算法）更快的量子算法。
的目标是帮助发觉NISQ时代的算法，非常关注以下方面：
使用精典机器学习来提高NISQ算法。希望来自于精典机器学习的技术可以提高我们对量子估算的理解。在通过精典循环神经网路进行量子神经网路的元学习中，循环神经网路(RNN)用于发觉对QAOA和VQE等算法的控制参数进行优化比简单的现成优化器愈发有效。而用于量子控制的机器学习则使用加强学习来帮助降低偏差并形成质量更高的量子门。使用量子电路对量子数据进行建模。倘若您有数据源的精确描述，则可使用精典方法对量子数据进行建模，但有时难以实现。要解决此问题，您可以尝试在量子计算机上建模并检测/观测重要的统计数据。量子频域神经网路给出了一种量子电路，这些电路采用类似于频域神经网路(CNN)的结构设计，可以测量物质的不同拓扑相。量子计算机保存数据和模型。传统处理器只能从模型输出中见到检测样本量子通讯 优点，而难以看见数据本身。在onanoisy中，作者学习使用DMERA模型压缩有关量子多体系统的信息。