我国科学家实现开放光量子行走的高效机器学习 记者19日从中国科学技术大学获悉，该校郭光灿院士团队在光量子行走领域取得重大突破。团队李传锋、许小冶、韩永建等利用人工神经网络作为开放系统中混合量子态的有效拟设，并通过改进自然梯度下降算法有效提高神经网络的训练效率，在具有内禀高维结构的开放光量子行走系统中，首次实现了高保真度混合量子态重构。相关成果日前发表在国际学术期刊《科学·进展》上。
科技日报记者 吴长锋
记者19日从中国科学技术大学获悉，该校郭光灿院士团队在光量子行走领域取得重大突破。团队李传锋、许小冶、韩永建等利用人工神经网络作为开放系统中混合量子态的有效拟设，并通过改进自然梯度下降算法有效提高神经网络的训练效率，在具有内禀高维结构的开放光量子行走系统中，首次实现了高保真度混合量子态重构。相关成果日前发表在国际学术期刊《科学·进展》上。
量子行走在量子模拟和量子计算中具有重要研究价值。最近，基于人工神经网络学习开放量子系统的方法在理论上被提出。但是，随着系统规模不断增加，神经网络要保持对其混合量子态的高表达能力就需要更为复杂的网络结构。因此，直接应用该方法重构大规模开放量子行走中的演化状态，将面临复杂的网络训练问题。
研究团队构建新型干涉测量装置以显著增加测量基数目，并通过建立开放量子行走系统与受限玻尔兹曼机网络模型之间的映射，同时开发新的梯度优化算法高效训练神经网络，最终完成对具有一定规模的开放量子行走系统中混合量子态的有效表征。
为了增加神经网络训练数据，研究团队引入一个时间域上的不等臂干涉仪实现不同格点位置之间的干涉测量，从而显著地提高了测量基数目。结果表明，基于神经网络技术，仅利用相对于传统态层析方法50%的测量基数目，即可实现平均保真度高达97.5%的开放光量子行走的完整混合量子态表征。此外，研究团队在自然梯度下降算法的基础上，开发出更为有效的广义自然梯度下降算法。研究结果表明，采用新算法的神经网络训练迭代次数可以减少一个数量级，并且可以高效规避局域极小值的影响，使损失函数到达更低取值，从而极大提高重构保真度。
研究人员表示，这种高效的神经网络混合量子态层析方法为开放量子行走的广泛应用提供了新的可能性，并为进一步研究噪声辅助的量子计算和量子模拟奠定了基础。
（中国科大供图）