将传统的量子力学贝尔不等式对应到人工神经网络，实现量子态分类器
据介绍，目前学术界对量子机器学习这一交叉领域包括两方面研究：一方面是利用量子力学的相干叠加或者纠缠等特性，构建能有实现加速的量子机器学习算法，如量子版本的 PCA 和 SVM 算法，以及能有效解决线性方程组求解的 HHL 算法等；另一方面，经典人工智能算法作为一种研究工具，能提供有效的信息提取和分类，如果可以建立起物理难题到人工智能算法的映射，就能够有效解决这些问题，目前已在理论上成功用于研究相变、多体物理等问题，但由于调控技术限制，罕有实验方面的研究。
2017 年，翁文康教授提出一种全新的理论模型 [arXiv: 1705.00813 (2017)]，将量子力学中贝尔不等式测量参数对应到人工智能网络，成功简化了传统上被认为是一项资源消耗度相当高的量子态分类问题。
量子态分类器实验装置
上海交通大学金贤敏研究团队利用时间混态技术成功在实验上演示了量子态分类器，实验证明无论在判别阈值和性能上，人工智能的量子态分类器均远优于贝尔不等式检验的方法，研究团队在实验中分别各制备了超过 1000 种量子态用于分类器的训练和检验，分类器能够以 99.7% 的高匹配度识别出不同类别的量子态，分析出不同类纠缠的动态边界。
不同于以往单纯从理论上对量子机器学习的研究，研究团队发现通过实验中真实获得的数据来训练量子态分类器，其识别匹配度优于单纯使用计算机生成数据进行训练的量子态分类器。这说明机器学习的过程必须考虑到真实的实验环境和噪声，对学习优化的参数进行适当调整，并发现仅仅从理论上去研究量子机器学习是有其局限性的，需要更多地从实验上考察量子机器学习的表现和效率。通过一个简单的实例就能明白：对于一个汽车图像识别的机器学习程序，如果仅仅用计算机生成的建模去用作训练集，当遇到不同天气、不同光照条件下的真实汽车图片时，其识别率必然会受到影响，只有用完全真实环境下的数据来作为训练集，才能更真实地反映出问题本质，从而更好地面向实用化进程。
这项研究首次从实验上演示了机器学习算法用于解决量子信息难题，标志着机器学习与量子信息的深度交叉，以及向发展各种衍生技术迈出了重要一步。可以预期，未来机器学习作为一种全新的工具，能够有助于解决更多的物理难题，同时这类研究也能加深人类对机器学习机制的理解，催生出更多的人工智能框架与结构。
实验对比线性优化与非线性优化的量子态识别结果，带有隐藏层的神经网络能正确地预测不同类纠缠的动态边界
金贤敏研究团队一直致力于量子信息技术研究，2017 年实现了国际上首个海水量子通信实验，首次实验上有力验证水下及空海一体量子通信的可行性。不久之前，研究团队在美国《科学》子刊《科学进展》上报道了世界最大规模光量子计算芯片，并演示了首个真正空间二维的随机行走量子计算。
文章链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.120.240501
