量子機械学習（QML）は、量子力学的リソースを活用して学習問題を解決する計算手法であり、量子プロセッサーを利用して古典的なモデルよりも効率的に最適化、監視学習、非監視学習、強化学習、生成モデルなどのタスクに取り組むことを目指しています。本記事では、QMLの概要を示し、量子デバイスが主要な学習またはデータ生成ユニットとなる設定に焦点を当てています。また、実用性と保証、アクセスモデルとスピードアップ、古典的基準と主張されている量子の利点との間の緊張関係を示し、エビデンスが強い場合や条件付きの場合、またまだ不足している場合に注意を喚起します。これにより、読者が量子アプローチが実際に利益をもたらす可能性がある状況と前提を判断できるように、QMLの全貌を理解しやすく明らかにすることを目的としています。