Microsoft量子業務發展總監Julie Love：量子運算編程所獲的思考和學習，帶來的突破令傳統電腦，終於可運用量子運算的原則。
新科技速遞
不少腫瘤科癌症病人須靠放射醫學協助診斷，決定療程和治療方式。例如癌症病人接受磁力共振掃描，以決定化療的效果，應該進行局部切除手術。不過醫學影像靠放射治療科醫生逐個評估，人手極度不足，加快輪候時間。
科技公司提出多種技術，改善放射醫療診斷。較早前，數據分析公司SAS與阿姆斯特丹大學癌病中心合作，AI分析醫療影像，為直腸癌肝轉移（ Colorectal Liver Metastases）病人，即使癌細胞轉移肝臟，為何時能作局部切除（Resection）作更凖確診斷。
最近，Microsoft更宣佈利用量子電腦啟發的演算法，幫助磁力共振（Magnetic resonance imaging，MRI）診斷更凖確，幫助癌症病人有更好醫療和生活質素。
Microsoft行政總裁Satya Nadella在剛過去Ignite大會，推出了雲端量子運算服務Azure Quantum，提及即使量子運算電腦，仍未及商用，Microsoft和美國Case Western Reserve大學合作，透過傳統運算硬體上，執行量子運算的演算法，實現新一代的磁共振指紋（Magnetic resonance fingerprinting，MRF），可縮MRI掃描時間3成，以減少輪候時間；量度疾病主要標記的精凖度，亦高出3成，可及早發現疾病，減少化療的副作用。
Case Western Reserve放射科教授Mark Griswold說：乳癌病人可短時期知道的化療效果，只要一次化療，再掃描可知療程是否奏效。以往，病人等半年後才知效果，即使療程完全無效，已飽受折磨。
傳統MRI成像，只能識別光或暗區域，放射科醫生對病變區域，只作主觀評估。MRF則為MRI影像上組織類型，再加上詳細讀數，變成可解釋內容的成像，毋須只靠放射科醫生主觀判斷。
MRF利用電波配合磁場；病人不同脂肪、組織、腫瘤，反射獨特的訊號，可為影像上每像素點，計算不同數值，對比物理模擬計算磁共振「指紋」，精凖至可確診腦癌和大腸癌，毋須活檢。
「媽媽想知孩子是否發燒，一般只是用手探額頭，憑感覺知道體溫。若想知道發燒嚴重程度，仍須探熱針，才能知凖確體溫。MRI對醫學意義極大，但放射科醫生評估，情況就跟用手感覺額頭溫度，憑主觀經驗感覺。MRF則有如探熱針一樣，凖確顯示身體組織的情況。」
一般MRI掃描，都假設了角度和位置凖確，現實偏差在所難免。MRF成像技術，關鍵在於調整掃描儀傳輸的無線脈衝強度、頻率和角度，自動找到正確脈衝模式，掃描並識別的組織類型，矯正角度偏差的影響。
Griswold表示：「早已有一種數學的最理想模式，助掃描儀讀取精確至單細胞組織類型，但涉及的變量太多，一直超出傳統電腦的運算能力。」
每個人的體質獨一無二，有完全不同的參數模式，須強大運算決定特性。不過沒高速運算力，不可能實現MRF計算。Microsoft利用從量子運算啟發算法，放置在傳統電腦運行，通過物理模擬，計算出人體組織的精細特性。
Microsoft Quantum Network已開放予企業，Azure上以CPU、GPU、FPGA上執行上述的量子啟發演算法。
Microsoft量子業務發展總監Julie Love說：從量子運算編程所獲的思考和學習，帶來突破令傳統的電腦，亦可運用量子運算的原則，加快解決某些難題。
理論上，量子電腦可解決複雜和大規模數據問題，量子運算以量子力學疊加態原理，以及非局域糾纏態為基礎，可處理海量資訊和平行運算，短時間內從大量數據獲得答案；可執行密碼學的因數分解，或模擬分子結構等運算。
全球正致力建立的「通用量子電腦」（Universal quantum computer），可解決極大數據的運算問題。最近，Google宣稱達到量子霸權，通用量子電腦Sycamore超越傳統電腦。不過Sycamore暫時也只解決特定題目，距離完全「通用」，仍有一段距離。
通用量子電腦的難處，在量子粒子極不穩定，容易受干擾導致錯誤率，如何維持穩定量子態，維持某個固定的量子態時間（Coherence time），讓運算工作完成，並增加運算正確率。
捕獲天使粒子
數年前，史丹福大學研究團隊捕獲有天使粒子之稱「馬約拉納費米子」，Microsoft透過由以半導體材料和超導材料，製作出納米架構產生「馬約拉納費米子」，穩定量子訊息編碼，直接應用在量子電腦架構上，減低錯誤。
量子退火優化商業
上述研究仍處於初步，通用量子電腦離開實用階段，還有一段日子。
2018年7月，華頓盛大學的研究學者Ewin Tang，發表了名為「A quantum-inspired classical algorithm for recommendation systems」論文，從量子演算法的啟發設計傳統演算法，應用在機器學習推薦系統，達到了幾何級的加速。
上述演算法是從量子退火（Quantum annealing ）現象演變而來。此為一種基於量子特性的量子演算法，可從目標函數之內，擁有多組候選解答情況下，找到全局最優化的解答方法，對於最優化計算，極有幫助。
量子退火演算法，最有名可數量子電腦公司 D-Wave。不過，量子退火演算法並非通用量子電腦，僅是一種演算法而已，無從作其他的運算，不算真正通用的量子電腦。
量子退火演算法可加速全局最優化計算，也恰好可解決了Case Western Reserve大學的MRF難題，從大量可能性之中，找出了最優答案。
未來，通用量子電腦出現後，可更快執行上述演算法，類似優化問題，出現在不同行業，類似金融、保險、石油、汽車、醫藥都有同樣難題，因此也具備極大商機。
科技的發展，往往令人出人意表。