人工智能首次实现 多重量子关联的同时分类

记者近日从中国科技大学获悉，郭广灿院士、李传锋院士、徐进士院士等。与国内同行合作，将机器学习技术应用于量子力学基本问题的研究。他们首次实验性地实现了基于机器学习算法的多个非经典关联的同时分类。该结果最近发表在权威的国际物理杂志《物理评论快报》上。

爱因斯坦、波多尔斯基和罗森质疑量子力学的完整性，这后来被称为EPR悖论。随着对电子顺磁共振佯谬的深入研究，人们逐渐认识到爱因斯坦的“幽灵远摄效应”源于量子世界的非局域关联，并可进一步细分为量子纠缠、量子制导和贝尔的非局域水平。各种量子关联已经成为量子信息领域的关键资源，发挥着重要的作用。

然而，在任何给定的量子态中表征非经典关联仍然是一个巨大的挑战。首先，它的计算极其复杂。其次，实验数据采集时间随系统粒子数的增加呈指数增长。最后，不清楚是否有一个统一的框架，可以通过相同的测量或一组可观察的测量同时区分所有这些非经典关联。

机器学习可以获得一个函数或模型，它可以通过一系列的训练数据输出预测结果。通过巧妙的实验设计，在光学系统中制备了一簇参数可调的2比特量子态。通过只输入量子态的部分信息，利用神经网络、支持向量机和决策树等机器学习模型学习455个量子态的非经典关联属性，成功实现了一个多非经典关联分类器。

实验结果表明，基于机器学习算法的分类器能够同时识别量子纠缠、量子制导和贝尔非局域性等不同的量子相关特性，匹配度高达90%以上，在资源消耗和时间复杂度方面远远低于传统标准所依赖的量子态色谱方法。

这一成就促进了人工智能和量子信息技术的深度交叉。在未来，机器学习作为一种有效的分析工具，将有助于解决更多的量子科学问题。