從中國科學院物理研究所獲悉，近日，中國科學院物理研究所/北京凝聚態物理國家研究中心范桁、許凱課題組和鄭東寧課題組等，聯合南開大學田建國、劉智波課題組，浙江大學王浩華課題組和清華大學鄧東靈課題組，首次將QGAN 算法推廣到了更多的比特范疇并引入了多體糾纏，并首次在超導量子計算平臺中實現了由量子梯度引導的QGAN訓練。
據了解，人工智能的核心是機器學習，而近幾年，在機器學習領域冉冉升起了一枚新星，生成性對抗網絡（GAN，Generative Adversarial Networks），由 Goodfellow 等人于2014年提出，目前在圖像鑒別和視頻生成等方面都有大量的應用實例。
但是，和機器學習的其它算法一樣，GAN面臨的最大問題就是所謂的“維數災難”，即學習所需要的訓練集數量是隨著維數指數增長的。如果我們面臨的數據存在于高維空間，那么經典計算機將很快便不能有效處理。現在擁有的量子計算可以解決經典計算機無法解決或者復雜度過高的諸多問題。同時，相比其它體系，超導量子計算這一技術路線在實用化量子計算方向具有優勢地位。
那么，我們是否可以將GAN與量子計算結合起來，設計一種更高效的量子生成性對抗網絡（QGAN，Quantum Generative Adversarial Networks）算法呢？
這一概念最先由 Dallaire-Demers等人提出，其基本原理與GAN類似, 區別在于這里G和D是由量子電路或者量子網絡構成，訓練用的數據集也可以是量子數據 (如量子態等)。至今在超導量子計算平臺關于QGAN 的展示局限于單比特量子態的學習，而且其梯度計算仍為經典的差分方式，使得計算精度受固有的差分誤差影響，進而影響最后訓練的收斂性。與此同時，能夠體現量子性質并且作為實現量子霸權的重要資源的量子糾纏并沒有在已有的研究中體現。
研究團隊在針對QGAN的實驗中，使用包含20個量子比特的全聯通架構的量子芯片，在該芯片上已經實現了包括20比特薛定諤貓態制備、動力學相變的模擬等一些高水平工作。本次實驗用到了其中的 5個量子比特，相應的量子算法如圖1所示，其中包括多個單比特量子門，多個多比特糾纏門以及多個兩比特控制門，其線路深度超過20，實驗中需要根據量子梯度引導去不斷優化單比特量子門參數。
圖1. （a）QGAN 流程圖。（b）全聯通樣品芯片簡易示意圖。（c）QGAN 實際算法電路圖，其中品紅色部分為量子梯度計算電路。
其次，為測試量子梯度的可行性，研究人員首先嘗試訓練了一個任意單比特混態，在經過140步左右的訓練后，其生成的量子態相對于真實情況保真度為0.999, 見圖2。
圖2. （a）任意單量子比特混態訓練結果。（b）訓練得到的和真實密度矩陣的對比，其保真度可達0.999。
在該基礎上，他們將學習目標更改為更加復雜的兩比特異或門，通過大約190步的訓練，研究人員以 0.927的保真度重現了異或門的真值表，見圖3。這表明QGAN在復雜的量子過程學習方面有很大的潛力，隨系統規模增大，它可以直接擴展到優化控制和自引導量子層析成像等領域。
圖3. （a）異或門訓練結果。訓練的真值表保真度為0.927。（b）訓練過程中兩個特征單比特量子門參數的變化。
此項成果已于近期發表，南開大學聯合培養博士生黃凱旋，Q03組博士生王正安，以及浙江大學宋超特聘教授為論文的共同第一作者。合作團隊還包括浙江大學博士后李賀康（量子芯片制備者）、浙江大學特聘教授王震、浙江大學杭州國際科創中心科創百人研究員郭秋江、浙江大學碩士生宋紫璇等。
除上述成果外，中科院物理研究所許凱副研究員、范桁研究員、鄭東寧研究員等與福州大學鄭仕標教授、楊貞標教授課題組合作，利用兩個超導量子比特及其輔助能級實現了非阿貝爾幾何受控非門；中科院物理研究所范桁研究員、博士生孫政杭與中國科學技術大學朱曉波研究員、潘建偉教授等合作，利用一維排列的12個超導量子比特，通過制備不同的初態，對應于不同的溫度，實現了熱化強弱程度不同現象的實驗觀測。
轉自：C114通信網
【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。
延伸閱讀
政策協同發力 做好“十四五”時期就業工作
