近日，國際物理學權威期刊《物理評論快報》以“Experimental Machine Learning of Quantum States”為題發表了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于解決量子信息難題，實驗實現了基于人工神經網絡的量子態分類器。人工智能未來或為量子信息技術帶來一場新的變革。

量子信息科學與人工智能技術，作為近年來最前沿的研究領域，不斷取得了諸多改變傳統信息科學的進展。量子信息科學以量子物理基本原理作為依托，結合數學、信息科學、光電工程等學科，有望為信息安全和計算機的絕對計算能力帶來了革命性的提升；另一方面，機器學習，作為人工智能研究領域中一個極其重要的研究分支，在大數據時代背景下，能有效地抽取信息，從信息技術到社會科學等多個領域中，展示了解決實際問題的巨大潛力。因此，能否實現兩個領域的交叉關聯，成為近來科學家們關注的熱點問題。

2017年，國際頂級學術期刊《自然》以“Quantum Machine Learning”（量子機器學習）為題發表長篇綜述[Nature 549, 195–202 (2017)]，總結了目前該交叉領域的研究進展和未來展望。目前學術界對量子機器學習領域包括兩方面研究：一方面是借助量子力學的相干疊加或者糾纏等特性，實現優于經典算法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，將難以解決的量子物理問題對應到經典人工智能算法，提供有效的信息提取和分類，也是量子機器學習研究范疇，已在理論上成功用于研究相變、多體物理等問題，但由于調控技術限制，罕有實驗方面的研究。

經過優化后的貝爾不等式作為糾纏判據的識別度有了明顯提高

同年，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，只需少量投影測量即可判定量子態的糾纏性質。

金賢敏研究團隊利用時間混態技術，首先在實驗中制備了共計500個量子態用于線性神經網絡的訓練和檢驗，通過優化參數，使量子態分類器的平均識別匹配度大于98%，無論在判別閾值和性能上均遠優于貝爾不等式檢驗的方法。為了提高學習效率和分類器的普適性，研究團隊進一步嘗試了帶有隱藏層的非線性學習優化，采用了更靠近糾纏邊界的量子態作為訓練集（共計3大類15小類1200個量子態），同時額外制備了相同類別的1500個量子態作為檢驗，實驗結果證明了經過非線性學習優化的分類器能夠以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。

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

特別值得注意的是，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，其識別匹配度優于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，并發現僅僅從理論上去研究量子機器學習是有其局限性的，需要更多地從實驗上考察量子機器學習的表現和效率。

這項研究首次從實驗上演示了機器學習算法用于解決量子信息難題，標志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?？梢灶A期，未來機器學習作為一種全新的工具，能夠有助于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。

金賢敏研究團隊一直致力于量子信息技術研究，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。就在上月，研究團隊在美國《科學》子刊上報道了世界最大規模光量子計算芯片，并演示了首個真正空間二維的隨機行走量子計算。本月發表在《物理評論快報》這項新的研究工作，開啟了經典人工智能技術在量子信息領域的應用，是該研究團隊在量子信息技術研究中取得的又一項重要進展。

信息來源：上海交通大學