信息科學與物理學的交叉，量子信息將為人類提供後摩爾時代的技術，為計算機科學的發展和信息安全的研究提供革命性的新方法。
量子信息技術和智能學習系統都是新興的技術，它們都有可能在未來對我們的社會產生革命性的影響。超級大國和超級企業都已經在此領域佈局。作為基礎研究基礎領域——量子信息與機器學習(ML)和人工智能(AI)——都有自己的具體問題和挑戰，這些問題和挑戰迄今為止大多是獨立研究的。這兩個學科孑然一身的研究之路似乎正在消失。量子機器學習探索了量子計算和機器學習之間的相互作用，研究瞭如何用這一個領域的結果和技術來解決那一個領域的問題。
在這個方向上，中國學者也在不斷取得研究成果，在機器學習的生成式對抗網絡方面也有進展。人工智能的核心是機器學習, 生成式對抗網絡(GAN, Generative adversarial Networks)是近年來機器學習領域前景方法之一。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)。
機器學習，或者更廣泛地說是人工智能領域，代表了具有一般實際應用的重要領域，其中近期量子器件可以提供比經典應用更大的加速。有了這個願景，量子機器學習或者說量子人工智能（quantum machine learning/artificial intelligence ）這個有趣的跨學科領域已經出現，吸引了極大的關注。
量子生成對抗網絡(QGAN, quantum generative adversarial network) 基本原理與經典的生成式對抗網絡是一樣的，生成式對抗網絡的原理是可以通過生成圖片為例來理解：生成式對抗網絡通常包含兩個部分，生成器和判別器。量子生成對抗網絡與生成式對抗網絡的區別是這裡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(比如量子態等)。2019年1月25日的《科學》子刊《科學•進展》刊登了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的論文《超導量子電路中的量子生成對抗性學習（Quantum generative adversarial learning in a superconducting quantum circuit）》。
該論文克服的困難是：學界理論上已經提出了許多保證指數加速的量子算法，其中一些在原理驗證實驗中得到了證明。然而，在前面的大多數場景中，所考慮的輸入數據集通常是經典的。因此，需要某些代價高昂的過程或技術，如量子隨機存取存儲器，首先將經典數據映射到量子波函數，然後由量子器件進行處理，從而使潛在的速度增益為零。
實驗結果表明，經過多輪對抗學習後，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。此實驗為今後研究中等尺度量子器件在機器學習方面的量子優勢鋪平了道路。
課題組與合作者在超導系統中首次實現了生成式對抗網絡，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佈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。
論文摘要：生成性、對抗性學習是機器學習中最令人興奮的最新突破之一。它在各種具有挑戰性的任務中表現出色，比如圖像和視頻生成。最近，理論上提出了生成對抗性學習的量子版本，並且顯示其具有比其經典對應物呈現指數優勢的潛力。在這裡，我們報告了超導量子電路中量子生成對抗性學習的第一個原理驗證實驗演示。我們證明，經過幾輪對抗性學習，可以訓練量子態發生器來複制量子信道模擬器輸出的量子數據的統計數據，具有很高的保真度98%以上，從而判別器就無法區分真實數據和生成數據。
該論文共同作者為孫麓巖、鄧東靈、以及鄒長鈴。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、宋禕璞等。
（完）
親愛的數據
出品：譚婧
美編：陳泓宇
閱讀更多 親愛的數據 的文章
