前沿 | 上交大&南科大最新PRL论文:成功用机器学习实现量子态分类器

机器之心发布

机器之心编辑部

据机器之心了解,近日,上海交通大学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。成果以「Experimental Machine Learning of Quantum States」为题刊发在国际物理学权威期刊《物理评论快报》上。

将传统的量子力学贝尔不等式对应到人工神经网络,实现量子态分类器

据介绍,目前学术界对量子机器学习这一交叉领域包括两方面研究:一方面是利用量子力学的相干叠加或者纠缠等特性,构建能有实现加速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,经典人工智能算法作为一种研究工具,能提供有效的信息提取和分类,如果可以建立起物理难题到人工智能算法的映射,就能够有效解决这些问题,目前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。

2017 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。

量子态分类器实验装置

上海交通大学金贤敏研究团队利用时间混态技术成功在实验上演示了量子态分类器,实验证明无论在判别阈值和性能上,人工智能的量子态分类器均远优于贝尔不等式检验的方法,研究团队在实验中分别各制备了超过 1000 种量子态用于分类器的训练和检验,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。

不同于以往单纯从理论上对量子机器学习的研究,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。通过一个简单的实例就能明白:对于一个汽车图像识别的机器学习程序,如果仅仅用计算机生成的建模去用作训练集,当遇到不同天气、不同光照条件下的真实汽车图片时,其识别率必然会受到影响,只有用完全真实环境下的数据来作为训练集,才能更真实地反映出问题本质,从而更好地面向实用化进程。

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。

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

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。不久之前,研究团队在美国《科学》子刊《科学进展》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。

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

本文为机器之心发布,转载请联系本公众号获得授权。

原文发布于微信公众号 - 机器之心(almosthuman2014)

原文发表时间:2018-06-14

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏华章科技

人工智能大拿解答机器学习30个问答

这次参加的是 Yoshua Bengio,计算机科学家,毕业于麦吉尔大学,在MIT和AT&T贝尔实验室做过博士后研究员,自1993年之后就是蒙特利尔大学任教,与...

651
来自专栏CSDN技术头条

避免关注底层硬件,Nvidia将机器学习与GPU绑定

【编者按】Nvidia通过发布cuDNN库,将GPU和机器学习更加紧密的联系起来,同时实现了cuDNN与深度学习框架的直接整合,使得研究员能够在这些框架上无缝利...

2247
来自专栏新智元

迁移学习进展:单次学习能力达人类水平(附论文)

【新智元导读】 本文的作者开发了一种使用贝叶斯程序学习(BPL)的算法,该算法将概念表示为简单随机程序,也就是结构化过程,在执行时生成概念的新示例。这些程序让模...

34110
来自专栏机器之心

学界 | 定量研究:当前机器学习领域十大研究主题

选自arXiv 作者:Patrick Glauner等 机器之心编译 参与:韩小西、李泽南 机器学习的发展日新月异,目前最热门的研究方向是什么?近日,来自卢森堡...

2603
来自专栏CreateAMind

中文简短的《神经网络与深度学习》极佳入门书-出自量子物理学家

1251
来自专栏IT派

爆料 | 解析阿里妈妈如何将深度学习应用在广告、推荐及搜索业务

非常高兴与大家进行“深度学习演进之路”的交流,阿里妈妈是阿里巴巴集团下的大数据营销平台,是负责阿里巴巴变现的一个事业部。我研究的方向是机器学习、计算机视觉、推荐...

1302
来自专栏机器学习算法与Python学习

爆料 | 解析阿里妈妈如何将深度学习应用在广告、推荐及搜索业务

3586
来自专栏AI

停止从头开始编写机器学习算法

从头开始实现算法是我看到初学者犯的最大的错误之一。

2368
来自专栏专知

381页机器学习数学基础PDF下载

【导读】近期,由Marc Peter Deisenroth,A Aldo Faisal和Cheng Soon Ong撰写的《机器学习数学基础》“Mathemat...

1.1K4
来自专栏机器之心

机器学习中的数学,这是一份新鲜出炉的热门草稿

作者:Marc Peter Deisenroth、A Aldo Faisal、Cheng Soon Ong

1334

扫码关注云+社区

领取腾讯云代金券