过去50年来，软件和数字技术发展呈指数级增长。实际上，微处理器是二十世纪最伟大的发明之一。自20世纪70年代中期以来，微处理器一直是数字技术快速发展的基础，并被证明是现代计算硬件的主要部分。
量子计算就是一次伟大的硬件创新，计算的基本单位不再是比特（bit），而是量子比特（quantum bit 或qubit）。类似于比特在经典计算中的作用，量子比特是量子计算体系结构的基本构建块。量子计算架构在算法性能度量中允许量子加速。当量子算法解决问题所需的查询数量低于其更优经典算法时，就会出现量子加速。量子计算机的发展带来的最繁荣的机遇之一是机器学习和其他人工智能(AI)模型效率的提高。
现代量子计算与人工智能的交集，其根源在于奥地利物理学家路德维希•玻尔兹曼(Ludwig Boltzmann)的研究。玻尔兹曼（Boltzmann）在19世纪末因发展了统计力学模型而闻名，这些模型解释和预测了原子的性质如何决定物质的性质。事实上，玻尔兹曼（Boltzmann）提供了具有一定能量的孤立系统的统计描述。玻尔兹曼的模型构成了现代量子玻尔兹曼机(QBM)的基础，而玻尔兹曼机(QBM)如今是量子计算与人工智能交叉领域创新研究的中心。
玻尔兹曼机是由对称耦合的随机二值单元组成的 。换句话说，玻尔兹曼机是一种代表一组二元变量的概率分布的模型。玻尔兹曼机使用两种二值变量——可见变量v和隐藏变量h。可见变量对应于系统的重要变量，例如输入和输出。隐藏变量允许在可见变量之间编码更复杂的关系。下面是玻尔兹曼机的模型:
玻尔兹曼机模型
这里，机器的所有隐藏和可见节点都已连接。
目前在量子研究中流行的玻尔兹曼机有三种变体 - 受限玻尔兹曼机，半受限玻尔兹曼机和深度玻尔兹曼机。之一个变体是受限玻尔兹曼机（RBM）。RBM是一个双层神经 ，其中隐藏单元在可见状态下是条件独立的。此外，受限玻尔兹曼机（RBM）没有可见变量之间的连接（隐藏变量之间也无连接），并被建模为bigraph。bigraph是具有两个不同***的图顶点的***。以下是RBM模型：
受限性玻尔兹曼机模型
在受限玻尔兹曼机（RBM）中，隐藏节点彼此不连接。并且，可见节点之间也没有彼此连接。
第二种变化是半受限玻尔兹曼机（Semi-Restricted Boltzmann Machine）。半受限玻尔兹曼机（Semi-RBM） 是一种双层神经 ，其中隐藏变量与可见变量处于条件平衡状态。可见单元不一定与隐藏变量处于条件平衡。换句话说，隐藏变量之间存在联系，但不存在可见变量之间的联系。下面是半受限玻尔兹曼机（Semi-RBM）的模型:
半受限玻尔兹曼机
在半受限玻尔兹曼机（Semi-RBM）中，隐藏节点彼此连接，但可见节点不连接。
第三个是深度玻尔兹曼机（Deep Boltzmann Machine）。深度玻尔兹曼机（DBM）是一个多层神经 ，其中每个层都捕获不同的信息抽象。以下是深度玻尔兹曼机（DBM）的模型：
深度玻尔兹曼机模型
在深度玻尔兹曼机（DBM）中，添加了额外的隐藏节点以创建多层 ，从而为统计推断和意义导出更深层的抽象。
玻尔兹曼机特别适合于量子计算架构，因为它们严重依赖二元变量的使用。事实上，通过玻尔兹曼形式重新构建神经 架构，深度学习算法可以在量子硬件上运行——比如D-Wave的量子退火处理器。量子退火是利用量子力学的内在效应来解决优化和概率采样问题的一种 。总而言之，玻尔兹曼机模型为深度学习和量子硬件交叉的量子加速提供了巨大的机会。
