據機器之心瞭解，近日，上海交通大學金賢敏研究團隊在人工智能與量子信息技術交叉領域取得重要突破。金賢敏研究團隊與南方科技大學翁文康教授合作，首次將機器學習技術應用於解決量子信息難題，實驗實現了基於人工神經網絡的量子態分類器。成果以「Experimental Machine Learning of Quantum States」為題刊發在國際物理學權威期刊《物理評論快報》上。
將傳統的量子力學貝爾不等式對應到人工神經網絡，實現量子態分類器
據介紹，目前學術界對量子機器學習這一交叉領域包括兩方面研究：一方面是利用量子力學的相干疊加或者糾纏等特性，構建能有實現加速的量子機器學習算法，如量子版本的 PCA 和 SVM 算法，以及能有效解決線性方程組求解的 HHL 算法等；另一方面，經典人工智能算法作為一種研究工具，能提供有效的信息提取和分類，如果可以建立起物理難題到人工智能算法的映射，就能夠有效解決這些問題，目前已在理論上成功用於研究相變、多體物理等問題，但由於調控技術限制，罕有實驗方面的研究。
2017 年，翁文康教授提出一種全新的理論模型 [arXiv: 1705.00813 (2017)]，將量子力學中貝爾不等式測量參數對應到人工智能網絡，成功簡化了傳統上被認為是一項資源消耗度相當高的量子態分類問題。
量子態分類器實驗裝置 上海交通大學金賢敏研究團隊利用時間混態技術成功在實驗上演示了量子態分類器，實驗證明無論在判別閾值和性能上，人工智能的量子態分類器均遠優於貝爾不等式檢驗的方法，研究團隊在實驗中分別各製備了超過 1000 種量子態用於分類器的訓練和檢驗，分類器能夠以 99.7% 的高匹配度識別出不同類別的量子態，分析出不同類糾纏的動態邊界。
不同於以往單純從理論上對量子機器學習的研究，研究團隊發現通過實驗中真實獲得的數據來訓練量子態分類器，其識別匹配度優於單純使用計算機生成數據進行訓練的量子態分類器。這說明機器學習的過程必須考慮到真實的實驗環境和噪聲，對學習優化的參數進行適當調整，並發現僅僅從理論上去研究量子機器學習是有其侷限性的，需要更多地從實驗上考察量子機器學習的表現和效率。通過一個簡單的實例就能明白：對於一個汽車圖像識別的機器學習程序，如果僅僅用計算機生成的建模去用作訓練集，當遇到不同天氣、不同光照條件下的真實汽車圖片時，其識別率必然會受到影響，只有用完全真實環境下的數據來作為訓練集，才能更真實地反映出問題本質，從而更好地面向實用化進程。
這項研究首次從實驗上演示了機器學習算法用於解決量子信息難題，標誌著機器學習與量子信息的深度交叉，以及向發展各種衍生技術邁出了重要一步。可以預期，未來機器學習作為一種全新的工具，能夠有助於解決更多的物理難題，同時這類研究也能加深人類對機器學習機制的理解，催生出更多的人工智能框架與結構。
實驗對比線性優化與非線性優化的量子態識別結果，帶有隱藏層的神經網絡能正確地預測不同類糾纏的動態邊界
金賢敏研究團隊一直致力於量子信息技術研究，2017 年實現了國際上首個海水量子通信實驗，首次實驗上有力驗證水下及空海一體量子通信的可行性。不久之前，研究團隊在美國《科學》子刊《科學進展》上報道了世界最大規模光量子計算芯片，並演示了首個真正空間二維的隨機行走量子計算。
文章鏈接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.120.240501
閱讀更多 機器之心 的文章
