中國科大成功研發新型量子機器學習技術實現數據特徵提取

中國科學技術大學中國科學院微觀磁共振重點實驗室杜江峰、王亞、李兆凱等人在量子機器學習研究中取得重要進展，研發出新型量子特徵提取算法，實驗實現了對未知量子系統矩陣的分析與信息提取。該成果以”Resonant
Quantum Principal Component Analysis”為題發表在近期的Science Advances上[Science
Advances 7, eabg2589 (2021)]。

機器學習是指使用計算機從大量歷史數據中挖掘隱含規律，並用於後續預測或者分類的過程。機器學習是人工智能的核心，是計算機具有智能的根本途徑，其理論和方法已被廣泛應用於解決日常應用和科學領域的複雜問題。為了成功完成特定任務，人工智能往往需要大量數據用於總結與分類，這對計算機系統的存儲與處理能力提出了很高的要求。量子機器學習可以將量子算法的并行加速特性應用於人工智能領域中，提升人工智能系統的效率與能力，有望在未來實現基於量子系統的人工智能。

杜江峰院士團隊自2012年以來率先開展了量子人工智能的實驗研究，相關工作如量子手寫識別[PRL 114, 140504 (2015)]是量子人工智能應用於實際問題的最早案例，展示了量子技術加速人工智能問題的潛力；特徵值檢測[PRL 122, 090504 (2019)、線性方程組求解[PRA 89, 022313 (2014)]等技術為機器學習中的數據運算提供了快速有效的量子方法。此前的工作及國際上的相關實驗研究，多集中在如何處理較理想的數據集。但無論是使用經典還是量子計算機進行機器學習，在獲得類似數據集之前都需要對原始數據進行分析和預處理，提取出其中的核心信息用以學習與總結規律。這一過程被稱之為數據特徵提取，是量子人工智能運行的關鍵步驟。

使用量子算法進行特徵提取的理論思路最早於2014年提出，但其原始設想基於量子相位估計算法，需要大量量子比特作為輔助寄存器，因此一直未能在真實實驗體系中予以實現。為解決這一限制，本文研究團隊開發出新型基於共振的量子主成分分析技術，將輔助量子比特的需求降低到1個，大大降低實驗難度。同時，為減少實際實驗中的噪聲干擾，該技術還可以結合量子相干保護手段，有利於在實際量子處理器物理平台上達到高精度與高效率的量子計算。

實驗中研究人員使用金剛石氮-空位色心量子處理器，演示了對未知量子數據矩陣進行分析與處理的過程。待研究的數據以量子密度矩陣的形式被輸入量子處理器，如圖C所示，該數據矩陣包含4種不同成分且佔比各不相同（對應數據柱高度）。特徵提取任務的目標是將該數據的關鍵特徵，即右側第一組佔比最高的成分提取出來，同時盡量去除其他三組數據或噪聲。實驗中，研究人員使用一個輔助比特作為探針進行掃描，精確定位了密度矩陣中不同成分的強度（圖B中的不同譜峰）。通過多次迭代逼近，密度矩陣成分的定位誤差被降低到小於0.001，相當於原本10個輔助量子比特才能達到的精度。其後，研究人員鎖定該數據矩陣的主要成分並將其隔離提取出來（圖D），得到的量子態即為輸入數據矩陣的關鍵特徵。實驗結果顯示，這一特徵提取過程達到了90%的提取精度與86%的提取效率，展示了該新技術在真實物理平台上的適用性與精確性。