量子机器学习（QML）虽然前景广阔，但在实际应用中，往往会在量子计算开始之前遇到一个主要瓶颈。经典特征向量必须先经过处理并编码成量子态。随着数据维度和量子比特数量的增加，这一步骤可能占据端到端执行时间的大部分，并限制 QML 工作流的可扩展性。

本次演讲将介绍 Quantum Data Plane（QDP，量子数据平面）。这是 Apache Mahout 中正在开发的 GPU 加速数据平面，旨在让量子数据编码更加高效且更具可扩展性。QDP 将数据编码视为一个专门的执行层，而不是一次性的预处理任务。我们将介绍其设计动机、整体架构、与 Apache Mahout 的集成方式，以及 GPU 并行计算如何帮助解决数据编码瓶颈。

结合实际开发经验，我们将分享构建 QDP 过程中的关键设计选择与经验总结，并讨论 GPU 加速最能发挥价值的场景、这种方法的局限与取舍，以及项目未来如何通过开源协作持续发展。

听众将了解 QML 中数据准备所面临的实际挑战，并从更广泛的视角认识 Apache Mahout 如何连接经典机器学习基础设施与新兴的量子计算工作流。

讲师:

张杰凯：Apache Mahout 项目管理委员会成员

张杰凯长期参与开源社区与项目治理，关注高性能计算、GPU 加速及机器学习基础设施。他也参与 Ray 与 KubeRay 社区，探索分布式计算、云原生 AI，以及 Kubernetes 上的 AI 工作负载管理。目前致力于解决量子机器学习中的数据编码瓶颈，并推动 Apache Mahout Quantum Data Plane（QDP）的设计与实现。

温冠华：Apache Mahout Committer

微软研发实习生