來自中國科大的消息顯示，中國科大中國科學(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，這對計算機(jī)系統(tǒng)的存儲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、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，大大降低實(shí)驗(yàn)難度；同時，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上達(dá)到高精度與高效率的量子計算。

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、國家自然科學(xué)基金委、中國科學(xué)院和安徽省等資助。