清華量子信息中心孫麓巖、鄧東靈研究組合作在超導(dǎo)系統(tǒng)中實現(xiàn)量子人工智能算法
清華量子信息中心孫麓巖、鄧東靈研究組合作在超導(dǎo)系統(tǒng)中實現(xiàn)量子人工智能算法
2019年01月29日 瀏覽次數(shù): 0
近日，清華大學(xué)交叉信息研究院孫麓巖、鄧東靈研究組與中國科學(xué)技術(shù)大學(xué)鄒長鈴研究組合作，在超導(dǎo)系統(tǒng)中首次實驗實現(xiàn)了量子生成對抗學(xué)習(xí)，展示了量子器件應(yīng)用于人工智能領(lǐng)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(fā)表于科學(xué)子刊Science Advances（《科學(xué)?進(jìn)展》）上。
人工智能的核心是機(jī)器學(xué)習(xí), 而生成式對抗網(wǎng)絡(luò)(GAN, Generative adversarial Networks)是近年來機(jī)器學(xué)習(xí)領(lǐng)域最具前景的方法之一。一般說來，機(jī)器學(xué)習(xí)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(shù)據(jù)集里的狗的圖片，這是生成模型。
Figure 1： 量子生成對抗網(wǎng)絡(luò)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(yīng)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(wǎng)絡(luò)，它隨機(jī)接收一張圖片，此圖片可能來自于訓(xùn)練的數(shù)據(jù)集（稱為真實的）也可能是生成器產(chǎn)生的（稱為假的），它的目標(biāo)是以最大概率區(qū)分圖片到底是真的還是假的。生成器是一個生成圖片的網(wǎng)絡(luò)，它的目標(biāo)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(gòu)成了一個動態(tài)的“博弈過程”，博弈的最終結(jié)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(wǎng)絡(luò)(QGAN, quantum generative adversarial network) 基本原理與經(jīng)典的GAN是一樣的，區(qū)別在于這里生成器和判別器是由量子器件或者量子網(wǎng)絡(luò)構(gòu)成，訓(xùn)練用的數(shù)據(jù)集也可以是量子數(shù)據(jù)(如量子態(tài)等)。孫麓巖課題組與合作者在超導(dǎo)系統(tǒng)中首次實現(xiàn)了GAN，展示了從量子數(shù)據(jù)集中學(xué)習(xí)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(chǎn)生量子態(tài)系綜的超導(dǎo)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(xùn)練用的真實數(shù)據(jù)集由一個量子通道模擬器產(chǎn)生。
Figure 2： 量子生成對抗網(wǎng)絡(luò)實驗方案圖。
實驗結(jié)果表明，通過多輪對抗學(xué)習(xí)后，生成器產(chǎn)生的量子數(shù)據(jù)越來越逼近真實的量子數(shù)據(jù)，最終達(dá)到平均98%以上的保真度，從而使得判別器無法區(qū)分生成器產(chǎn)生的數(shù)據(jù)。此實驗為今后研究中等尺度量子器件在機(jī)器學(xué)習(xí)方面的量子優(yōu)勢打下鋪墊，可能對量子人工智能領(lǐng)域的發(fā)展產(chǎn)生深遠(yuǎn)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(diǎn)基礎(chǔ)研究發(fā)展計劃、國家自然科學(xué)基金、量子通信與量子計算機(jī)重大項目安徽省引導(dǎo)性項目、清華大學(xué)啟動經(jīng)費(fèi)等支持。
論文鏈接：Sci. Adv. 5, eaav2761 (2019) http://advances.sciencemag.org/content/5/1/eaav2761.full
版權(quán)與免責(zé)聲明：本網(wǎng)頁的內(nèi)容由收集互聯(lián)網(wǎng)上公開發(fā)布的信息整理獲得。目的在于傳遞信息及分享，并不意味著贊同其觀點(diǎn)或證實其真實性，也不構(gòu)成其他建議。僅提供交流平臺，不為其版權(quán)負(fù)責(zé)。如涉及侵權(quán)，請聯(lián)系我們及時修改或刪除。郵箱：sales@allpeptide.com