机器学习技术或可解决量子信息难题

上海6月20日电(记者黄鑫)今天，记者从上海交通大学获悉，该校金贤敏教授的团队与中国南方科技大学翁翁翁康教授合作，首次将机器学习技术应用于解决量子信息问题，实现了基于人工神经网络的量子状态分类器。这一重要的研究结果已经发表在《物理评论快报》上。

量子信息科学和人工智能技术作为近年来最先进的研究领域，在改变传统信息科学方面取得了许多进展。然而，如何实现这两个领域之间的交叉关联成为了最近的热门话题。

金贤敏的团队首先使用时间混合态技术，在实验中为线性神经网络的训练和测试准备了总共500个量子态。通过参数优化，量子状态分类器的平均识别匹配度达到98%以上，在识别阈值和性能上远远优于bell不等式测试方法。为了提高学习效率和分类器的通用性，研究团队进一步尝试了带隐层的非线性学习优化，使用更接近纠缠边界的量子态作为训练集(3个类别、15个类别共1200个量子态，同一个类别共1500个附加量子态作为测试)。实验结果证明，通过非线性学习优化的分类器能够识别不同类别的量子态，匹配度高达99.7%，并能分析不同类别纠缠的动态边界。

研究小组发现，用实验中实际获得的数据训练的量子状态分类器的识别匹配度要优于只用计算机生成的数据训练的量子状态分类器。这表明机器学习过程必须考虑真实的实验环境和噪声，并对学习优化的参数进行适当的调整。然而，量子机器学习的研究仅限于理论上，还需要更多的实验来检验量子机器学习的性能和效率。

专家表示，这项研究首次实验性地展示了使用机器学习算法解决量子信息问题，这标志着机器学习和量子信息之间的深刻交叉，也是向各种衍生技术发展的重要一步。在未来，机器学习作为一种全新的工具，可以帮助解决更多的物理问题。同时，这样的研究可以加深人类对机器学习机制的理解，并产生更多的人工智能框架和结构。

中国科学新闻(2018-06-21，第一版集锦)