近日，国际物理学权威期刊《物理评论快报》以“Experimental Machine Learning of Quantum States”为题发表了beat365中文版官方网站金贤敏研究团队在人工智能与量子信息技术交叉领域取得重要突破。金贤敏研究团队与南方科技大学翁文康教授合作，首次将机器学习技术应用于解决量子信息难题，实验实现了基于人工神经网络的量子态分类器。人工智能未来或为量子信息技术带来一场新的变革。

量子信息科学与人工智能技术，作为近年来最前沿的研究领域，不断取得了诸多改变传统信息科学的进展。量子信息科学以量子物理基本原理作为依托，结合数学、信息科学、光电工程等学科，有望为信息安全和计算机的绝对计算能力带来了革命性的提升；另一方面，机器学习，作为人工智能研究领域中一个极其重要的研究分支，在大数据时代背景下，能有效地抽取信息，从信息技术到社会科学等多个领域中，展示了解决实际问题的巨大潜力。因此，能否实现两个领域的交叉关联，成为近来科学家们关注的热点问题。

2017年，国际顶级学术期刊《自然》以“Quantum Machine Learning”（量子机器学习）为题发表长篇综述[Nature549, 195–202 (2017)]，总结了目前该交叉领域的研究进展和未来展望。目前学术界对量子机器学习领域包括两方面研究：一方面是借助量子力学的相干叠加或者纠缠等特性，实现优于经典算法的量子机器学习算法，如量子版本的PCA和SVM算法，以及能有效解决线性方程组求解的HHL算法等；另一方面，将难以解决的量子物理问题对应到经典人工智能算法，提供有效的信息提取和分类，也是量子机器学习研究范畴，已在理论上成功用于研究相变、多体物理等问题，但由于调控技术限制，罕有实验方面的研究。

（经过优化后的贝尔不等式作为纠缠判据的识别度有了明显提高）

同年，翁文康教授提出一种全新的理论模型[arXiv: 1705.00813(2017)]，将量子力学中贝尔不等式测量参数对应到人工智能网络，成功简化了传统上被认为是一项资源消耗度相当高的量子态分类问题，只需少量投影测量即可判定量子态的纠缠性质。

金贤敏研究团队利用时间混态技术，首先在实验中制备了共计500个量子态用于线性神经网络的训练和检验，通过优化参数，使量子态分类器的平均识别匹配度大于98%，无论在判别阈值和性能上均远优于贝尔不等式检验的方法。为了提高学习效率和分类器的普适性，研究团队进一步尝试了带有隐藏层的非线性学习优化，采用了更靠近纠缠边界的量子态作为训练集（共计3大类15小类1200个量子态），同时额外制备了相同类别的1500个量子态作为检验，实验结果证明了经过非线性学习优化的分类器能够以99.7%的高匹配度识别出不同类别的量子态，分析出不同类纠缠的动态边界。

（实验对比线性优化与非线性优化的量子态识别结果，带有隐藏层的神经网络能正确地预测不同类纠缠的动态边界）

特别值得注意的是，研究团队发现通过实验中真实获得的数据来训练量子态分类器，其识别匹配度优于单纯使用计算机生成数据进行训练的量子态分类器。这说明机器学习的过程必须考虑到真实的实验环境和噪声，对学习优化的参数进行适当调整，并发现仅仅从理论上去研究量子机器学习是有其局限性的，需要更多地从实验上考察量子机器学习的表现和效率。

这项研究首次从实验上演示了机器学习算法用于解决量子信息难题，标志着机器学习与量子信息的深度交叉，以及向发展各种衍生技术迈出了重要一步。可以预期，未来机器学习作为一种全新的工具，能够有助于解决更多的物理难题，同时这类研究也能加深人类对机器学习机制的理解，催生出更多的人工智能框架与结构。

金贤敏研究团队一直致力于量子信息技术研究，2017年实现了国际上首个海水量子通信实验，首次实验上有力验证水下及空海一体量子通信的可行性。就在上月，研究团队在美国《科学》子刊上报道了世界最大规模光量子计算芯片，并演示了首个真正空间二维的随机行走量子计算。本月发表在《物理评论快报》这项新的研究工作，开启了经典人工智能技术在量子信息领域的应用，是该研究团队在量子信息技术研究中取得的又一项重要进展。

研究团队感谢上海市科委重大项目和国家自然科学基金重点项目的雪中送炭，感谢国家重点研发计划、上海市教委的大力支持。

文章链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.120.240501