機器學習技術或可解決量子信息難題

近日,記者從上海交通大學獲悉,該校教授金賢敏團隊與南方科技大學教授翁文康合作,首次將機器學習技術應用于解決量子信息難題,實現了基于人工神經網絡的量子態分類器。這一重要研究成果已發表于《物理評論快報》。

量子信息科學與人工智能技術,作為近年來最前沿的研究領域,取得了諸多改變傳統信息科學的進展。但如何實現兩個領域的交叉關聯,成為近來科學家關注的熱點問題。

金賢敏團隊利用時間混態技術,首先在實驗中制備了共計500個量子態用于線性神經網絡的訓練和檢驗,通過優化參數,使量子態分類器的平均識別匹配度大于98%,無論在判別閾值和性能上均遠優于貝爾不等式檢驗的方法。為了提高學習效率和分類器的普適性,研究團隊進一步嘗試了帶有隱藏層的非線性學習優化,采用了更靠近糾纏邊界的量子態作為訓練集(共計3大類15小類1200個量子態),同時額外制備了相同類別的1500個量子態作為檢驗,實驗結果證明了經過非線性學習優化的分類器能夠以99.7%的高匹配度識別出不同類別的量子態,分析出不同類糾纏的動態邊界。

研究團隊發現通過實驗中真實獲得的數據訓練量子態分類器,其識別匹配度優于單純使用計算機生成數據進行訓練的量子態分類器。這說明機器學習的過程必須考慮到真實的實驗環境和噪聲,對學習優化的參數進行適當調整,而僅僅從理論上去研究量子機器學習是有局限性的,需要更多地從實驗上考查量子機器學習的表現和效率。

專家表示,這項研究首次從實驗上演示了用機器學習算法解決量子信息難題,標志著機器學習與量子信息的深度交叉,向發展各種衍生技術邁出了重要一步。未來機器學習作為一種全新的工具,能夠有助于解決更多的物理難題,同時這類研究也能加深人類對機器學習機制的理解,催生出更多的人工智能框架與結構。

轉載自: http://www.edu.cn/ke_yan_yu_fa_zhan/gao_xiao_cheng_guo/gao_xiao_zi_xun/201806/t20180621_1610880.shtml

現在選擇火焰,讓您的服務更加完美

新版猫咪官网app_新版猫咪官网社区_新版猫咪社区官网下载_新版猫咪下载方法