技術(shù)
導(dǎo)讀:量子機(jī)器學(xué)習(xí)可以將量子算法的并行加速特性應(yīng)用于人工智能領(lǐng)域中,提升人工智能系統(tǒng)的效率與能力,有望在未來實(shí)現(xiàn)基于量子系統(tǒng)的人工智能。
來自中國(guó)科大的消息顯示,中國(guó)科大中國(guó)科學(xué)院微觀磁共振重點(diǎn)實(shí)驗(yàn)室杜江峰、王亞、李兆凱等人在量子機(jī)器學(xué)習(xí)研究中取得重要進(jìn)展,研發(fā)出新型量子特征提取算法,實(shí)驗(yàn)實(shí)現(xiàn)了對(duì)未知量子系統(tǒng)矩陣的分析與信息提取。
機(jī)器學(xué)習(xí)是指使用計(jì)算機(jī)從大量歷史數(shù)據(jù)中挖掘隱含規(guī)律,并用于后續(xù)預(yù)測(cè)或者分類的過程。機(jī)器學(xué)習(xí)是人工智能的核心。為了成功完成特定任務(wù),人工智能往往需要大量數(shù)據(jù)用于總結(jié)與分類,這對(duì)計(jì)算機(jī)系統(tǒng)的存儲(chǔ)與處理能力提出了很高的要求。
量子機(jī)器學(xué)習(xí)可以將量子算法的并行加速特性應(yīng)用于人工智能領(lǐng)域中,提升人工智能系統(tǒng)的效率與能力,有望在未來實(shí)現(xiàn)基于量子系統(tǒng)的人工智能。
據(jù)了解,杜江峰院士團(tuán)隊(duì)自2012年以來率先開展了量子人工智能的實(shí)驗(yàn)研究相關(guān)工作如量子手寫識(shí)別是量子人工智能應(yīng)用于實(shí)際問題的最早案例,展示了量子技術(shù)加速人工智能問題的潛力;特征值檢測(cè)、線性方程組求解等技術(shù)為機(jī)器學(xué)習(xí)中的數(shù)據(jù)運(yùn)算提供了快速有效的量子方法。
此前的工作及國(guó)際上的相關(guān)實(shí)驗(yàn)研究,多集中在如何處理較理想的數(shù)據(jù)集。但無論是使用經(jīng)典還是量子計(jì)算機(jī)進(jìn)行機(jī)器學(xué)習(xí),在獲得類似數(shù)據(jù)集之前都需要對(duì)原始數(shù)據(jù)進(jìn)行分析和預(yù)處理,提取出其中的核心信息用以學(xué)習(xí)與總結(jié)規(guī)律。這一過程被稱之為數(shù)據(jù)特征提取,是量子人工智能運(yùn)行的關(guān)鍵步驟。
其中,使用量子算法進(jìn)行特征提取的理論思路最早于2014年提出,但由于其原始設(shè)想基于量子相位估計(jì)算法,需要大量量子比特作為輔助寄存器,因此一直未能在真實(shí)實(shí)驗(yàn)體系中予以實(shí)現(xiàn)。
為解決這一限制,杜江峰院士研究團(tuán)隊(duì)開發(fā)出新型基于共振的量子主成分分析技術(shù),將輔助量子比特的需求降低到1個(gè),大大降低實(shí)驗(yàn)難度;同時(shí),為減少實(shí)際實(shí)驗(yàn)中的噪聲干擾,該技術(shù)還可以結(jié)合量子相干保護(hù)手段,有利于在實(shí)際量子處理器物理平臺(tái)上達(dá)到高精度與高效率的量子計(jì)算。
實(shí)驗(yàn)中,研究人員使用金剛石氮-空位色心量子處理器,演示了對(duì)未知量子數(shù)據(jù)矩陣進(jìn)行分析與處理的過程(如下圖):
圖A:金剛石量子處理器上實(shí)現(xiàn)共振量子主成分分析的線路圖;
圖B:通過多次迭代,精確定位量子數(shù)據(jù)矩陣中不同成分的比例與信息:實(shí)驗(yàn)中,研究人員使用一個(gè)輔助比特作為探針進(jìn)行掃描,精確定位了密度矩陣中不同成分的強(qiáng)度(圖中不同峰譜)。通過多次迭代逼近,密度矩陣成分的定位誤差被降低到小于0.001,相當(dāng)于原本10個(gè)輔助量子比特才能達(dá)到的精度;
圖C:處理前的原始量子數(shù)據(jù):待研究的數(shù)據(jù)以量子密度矩陣的形式被輸入量子處理器,如圖,該數(shù)據(jù)矩陣包含4種不同成分且占比各不相同(對(duì)應(yīng)數(shù)據(jù)柱高度)。特征提取任務(wù)的目標(biāo)是將該數(shù)據(jù)的關(guān)鍵特征,即右側(cè)第一組占比最高的成分提取出來,同時(shí)盡量去除其他三組數(shù)據(jù)或噪聲;
圖D:數(shù)據(jù)矩陣中的關(guān)鍵部分(右側(cè)第一列)被單獨(dú)提取并儲(chǔ)存:研究人員鎖定該數(shù)據(jù)矩陣的主要成分并將其隔離提取出來,得到的量子態(tài)即為輸入數(shù)據(jù)矩陣的關(guān)鍵特征。
最終,實(shí)驗(yàn)結(jié)果顯示,這一特征提取過程達(dá)到了90%的提取精度與86%的提取效率,展示了該新技術(shù)在真實(shí)物理平臺(tái)上的適用性與精確性。
研究結(jié)果顯示此次研發(fā)的新技術(shù)可以實(shí)現(xiàn)對(duì)數(shù)據(jù)預(yù)處理過程的量子加速,高效率提取出量子數(shù)據(jù)矩陣中的關(guān)鍵特征,用于后續(xù)進(jìn)一步分類與識(shí)別。該技術(shù)能夠提升機(jī)器學(xué)習(xí)的效率和效果,未來有望在較大規(guī)模量子處理器上得到應(yīng)用。
該成果以”Resonant Quantum Principal Component Analysis”為題發(fā)表在近期的Science Advances上。中國(guó)科學(xué)院微觀磁共振重點(diǎn)實(shí)驗(yàn)室副研究員李兆凱、博士生柴梓華為該文共同第一作者,杜江峰院士和王亞教授為該文共同通訊作者。該研究得到了科技部、國(guó)家自然科學(xué)基金委、中國(guó)科學(xué)院和安徽省等資助。