的量子趕超傳統實驗使用了53個聒噪量子位，證明一臺量子計算機只需200秒就可以完成采用現有算法的最大傳統計算機須要大概10,000年才會完成的一項估算。這標志著喧鬧小型量子(NISQ)估算時代即將開啟。在未來幾年中，具有數十乃至數百個聒噪量子位的量子設備有望成為現實。
量子估算
量子估算借助量子熱學的屬性來估算傳統計算機難以解決的問題。量子計算機使用量子位。量子位如同計算機中的常規位，只不過它有兩種附加能力，即被放在疊加態和互相糾纏。
傳統計算機執行確定性精典運算，也可以使用取樣方式來模擬機率過程。通過借助疊加和糾纏，量子計算機可以執行無法用傳統計算機大規模模擬的量子運算。借助NISQ量子估算的設想包括優化、量子模擬、密碼學和機器學習。
量子機器學習
量子機器學習(QML)基于兩個概念建立：量子數據和混和量子精典模型。
量子數據
量子數據是在自然或人工量子系統中出現的任何數據源。這可以是由量子計算機生成的數據，比如從用于證明的量子霸權的處理器搜集的樣本。量子數據表現出疊加態和糾纏態，最終形成可能須要數目以指數級下降的精典估算資源來表示或儲存的聯合機率分布。量子霸權實驗表明，可以從2^53個希爾伯特空間的極端復雜聯合機率分布中進行取樣。
NISQ處理器生成的量子數據是喧鬧數據量子通訊 優點，但是一般在檢測之前就發生糾纏。啟發式機器學習技術可以創建最大程度地從吵鬧糾纏數據中提取有用精典信息的模型。(TFQ)庫提供了用于開發模型的基元，這類模型可以解開并歸納量子數據中的相關性，因而為改進現有量子算法或發覺新的量子算法創造機會。
下邊給出了可以在量子設備上生成或模擬的量子數據示例：
混和量子精典模型
量子模型可以表示和歸納包含量子力學起源的數據。因為近日的量子處理器一直很小且吵鬧，因而量子模型難以僅使用量子處理器來歸納量子數據。NISQ處理器必須與傳統的協處理器協同工作能夠生效。因為早已支持跨CPU、GPU和TPU的異構估算，因而被用作試驗混和量子精典算法的基礎平臺。
量子神經網路(QNN)用于描述最好在量子計算機上執行的參數化量子估算模型。此術語一般可與參數化量子電路(PQC)互換。
研究
在NISQ時代，甚或未能在有意義的規模上實現比精典算法（比如Shor的分解質質數算法或的搜索算法）更快的量子算法。
的目標是幫助發覺NISQ時代的算法，非常關注以下方面：
使用精典機器學習來提高NISQ算法。希望來自于精典機器學習的技術可以提高我們對量子估算的理解。在通過精典循環神經網路進行量子神經網路的元學習中，循環神經網路(RNN)用于發覺對QAOA和VQE等算法的控制參數進行優化比簡單的現成優化器愈發有效。而用于量子控制的機器學習則使用加強學習來幫助降低偏差并形成質量更高的量子門。使用量子電路對量子數據進行建模。倘若您有數據源的精確描述，則可使用精典方法對量子數據進行建模，但有時難以實現。要解決此問題，您可以嘗試在量子計算機上建模并檢測/觀測重要的統計數據。量子頻域神經網路給出了一種量子電路，這些電路采用類似于頻域神經網路(CNN)的結構設計，可以測量物質的不同拓撲相。量子計算機保存數據和模型。傳統處理器只能從模型輸出中見到檢測樣本量子通訊 優點，而難以看見數據本身。在onanoisy中，作者學習使用DMERA模型壓縮有關量子多體系統的信息。