清華量子信息中心孫麓巖、鄧東靈研究組合作在超導系統中實現量子人工智能算法

2019年01月29日 瀏覽次數: 0

近日，清華大學交叉信息研究院孫麓巖、鄧東靈研究組與中國科學技術大學鄒長鈴研究組合作，在超導系統中首次實驗實現了量子生成對抗學習，展示了量子器件應用于人工智能領域中的可行性及巨大潛力。該成果論文《Quantum generative adversarial learning in a superconducting quantum circuit》近日發表于科學子刊Science Advances（《科學•進展》）上。

人工智能的核心是機器學習, 而生成式對抗網絡(GAN, Generative adversarial Networks)是近年來機器學習領域最具前景的方法之一。一般說來，機器學習的模型大體可以分成兩類：生成模型(Generative model) 和判別模型(Discriminative model)。舉個簡單的例子，給定一張圖片，判斷這張圖片里的動物是貓還是狗，這是判別模型；給定一系列狗的圖片，要求生成一張新的，不在已有數據集里的狗的圖片，這是生成模型。

Figure 1： 量子生成對抗網絡示意圖。

GAN是一類非常重要的生成模型，由Goodfellow等人于2014年提出。GAN在很多方面特別是生成圖像、視頻等有極為重要的應用。GAN的原理比較簡單，可以通過生成圖片為例來理解：GAN通常包含兩個部分，生成器和判別器。判別器是一個判別圖片的網絡，它隨機接收一張圖片，此圖片可能來自于訓練的數據集（稱為真實的）也可能是生成器產生的（稱為假的），它的目標是以最大概率區分圖片到底是真的還是假的。生成器是一個生成圖片的網絡，它的目標是生成盡可能逼真的圖片來迷惑判別器。這樣，生成器和判別器構成了一個動態的“博弈過程”，博弈的最終結果是生成器可以生成足以“以假亂真”的圖片，判別器難以判斷生成的圖片是不是真實的。

量子生成對抗網絡(QGAN, quantum generative adversarial network) 基本原理與經典的GAN是一樣的，區別在于這里生成器和判別器是由量子器件或者量子網絡構成，訓練用的數據集也可以是量子數據(如量子態等)。孫麓巖課題組與合作者在超導系統中首次實現了GAN，展示了從量子數據集中學習有用模式的可行性。在此實驗中，生成器由一個能以一定概率分布產生量子態系綜的超導量子線路組成，判別器是一個可以做投影測量的量子器件，訓練用的真實數據集由一個量子通道模擬器產生。

Figure 2： 量子生成對抗網絡實驗方案圖。

實驗結果表明，通過多輪對抗學習后，生成器產生的量子數據越來越逼近真實的量子數據，最終達到平均98%以上的保真度，從而使得判別器無法區分生成器產生的數據。此實驗為今后研究中等尺度量子器件在機器學習方面的量子優勢打下鋪墊，可能對量子人工智能領域的發展產生深遠影響。

該論文共同通訊作者為孫麓巖副教授、鄧東靈助理教授、以及鄒長鈴特任副研究員。胡玲、吳書豪為文章共同一作，其他作者還包括蔡偉州、馬雨瑋、穆相豪、徐源、王海燕、宋祎璞等。此項目得到了國家重點基礎研究發展計劃、國家自然科學基金、量子通信與量子計算機重大項目安徽省引導性項目、清華大學啟動經費等支持。

論文鏈接：Sci. Adv. 5, eaav2761 (2019) http://advances.sciencemag.org/content/5/1/eaav2761.full