Supervised machine learning is the classification of new data based on already classified training examples. In this work, we show that the support vector machine, an optimized binary classifier, can be implemented on a quantum computer, with complexity logarithmic in the size of the vectors and the number of training examples. In cases when classical sampling algorithms require polynomial time, an exponential speed-up is obtained. At the core of this quantum big data algorithm is a non-sparse matrix exponentiation technique for efficiently performing a matrix inversion of the training data inner-product (kernel) matrix.

Energy transfer within photosynthetic systems can display quantum effects such as delocalized excitonic transport. Recently, direct evidence of long-lived coherence has been experimentally demonstrated for the dynamics of the Fenna–Matthews–Olson (FMO) protein complex [Engel et al., Nature (London) 446, 782 (2007)]. However, the relevance of quantum dynamical processes to the exciton transfer efficiency is to a large extent unknown. Here, we develop a theoretical framework for studying the role of quantum interference effects in energy transfer dynamics of molecular arrays interacting with a thermal bath within the Lindblad formalism. To this end, we generalize continuous-time quantum walks to nonunitary and temperature-dependent dynamics in Liouville space derived from a microscopic Hamiltonian. Different physical effects of coherence and decoherence processes are explored via a universal measure for the energy transfer efficiency and its susceptibility. In particular, we demonstrate that for the FMO complex, an effective interplay between the free Hamiltonian evolution and the thermal fluctuations in the environment leads to a substantial increase in energy transfer efficiency from about 70% to 99%.

Characterizing an unknown quantum state typically relies on analysing the outcome of a large set of measurements. Certain quantum-processing tasks are now shown to be realizable using only approximate knowledge of the state, which can be gathered with exponentially fewer resources. The usual way to reveal properties of an unknown quantum state, given many copies of a system in that state, is to perform measurements of different observables and to analyse the results statistically1,2. For non-sparse but low-rank quantum states, revealing eigenvectors and corresponding eigenvalues in classical form scales super-linearly with the system dimension3,4,5,6. Here we show that multiple copies of a quantum system with density matrix ρ can be used to construct the unitary transformation e−iρt. As a result, one can perform quantum principal component analysis of an unknown low-rank density matrix, revealing in quantum form the eigenvectors corresponding to the large eigenvalues in time exponentially faster than any existing algorithm. We discuss applications to data analysis, process tomography and state discrimination.

In realizations of quantum computing, a two-level system (qubit) is often singled out from the many levels of an anharmonic oscillator. In these cases, simple qubit control fails on short time scales because of coupling to leakage levels. We provide an easy to implement analytic formula that inhibits this leakage from any single-control analog or pixelated pulse. It is based on adding a second control that is proportional to the time derivative of the first. For realistic parameters of superconducting qubits, this strategy reduces the error by an order of magnitude relative to the state of the art, all based on smooth and feasible pulse shapes. These results show that even weak anharmonicity is sufficient and in general not a limiting factor for implementing quantum gates.

Transport phenomena at the nanoscale are of interest due to the presence of both quantum and classical behavior. In this work, we demonstrate that quantum transport efficiency can be enhanced by a dynamical interplay of the system Hamiltonian with pure dephasing induced by a fluctuating environment. This is in contrast to fully coherent hopping that leads to localization in disordered systems, and to highly incoherent transfer that is eventually suppressed by the quantum Zeno effect. We study these phenomena in the Fenna–Matthews–Olson protein complex as a prototype for larger photosynthetic energy transfer systems. We also show that the disordered binary tree structures exhibit enhanced transport in the presence of dephasing.

The role of quantum coherence in the dynamics of photosynthetic energy transfer in chromophoric complexes is not fully understood. In this work, we quantify the biological importance of fundamental physical processes, such as the excitonic Hamiltonian evolution and phonon-induced decoherence, by their contribution to the efficiency of the primary photosynthetic event. We study the effect of spatial correlations in the phonon bath and slow protein scaffold movements on the efficiency and the contributing processes. To this end, we develop two theoretical approaches based on a Green's function method and energy transfer susceptibilities. We investigate the Fenna-Matthews-Olson protein complex, in which we find a contribution of coherent dynamics of about 10% in the presence of uncorrelated phonons and about 30% in the presence of realistically correlated ones.

This work presents a quantum algorithm for the Monte Carlo pricing of financial derivatives. We show how the relevant probability distributions can be prepared in quantum superposition, the payoff functions can be implemented via quantum circuits, and the price of financial derivatives can be extracted via quantum measurements. We show how the amplitude estimation algorithm can be applied to achieve a quadratic quantum speedup in the number of steps required to obtain an estimate for the price with high confidence. This work provides a starting point for further research at the interface of quantum computing and finance.