中科大首次利用人工智能实验 实现多重量子关联

 

　　爱因斯坦坚信两个在空间上远离的物体的真实状态是彼此独立的。这个观点被称为“定域性要求”。爱因斯坦明确反对两个粒子间的量子力学关联，称之为“幽灵般的超距作用”。1935年，爱因斯坦、波多尔斯基和罗森发表了著名的质疑量子力学完备性的文章，后来被称为EPR佯谬（注EPR分别是上述三位科学家的姓氏首字母）。，这个观点受到了物理学家玻尔的有力反驳，爱因斯坦和玻尔开始就此问题展开论战。随着薛定谔和贝尔等众多科学家对EPR佯谬的深入研究，人们逐渐理解所谓“幽灵般的超距作用”其实是来源于量子世界的非定域关联，并且它还可以进一步细分为量子纠缠(Quantum Entanglement)，量子导引(Quantum Steering)和贝尔非定域性(Bell Nonlocality)等层次。另一方面，随着量子信息研究的兴起，各种不同的量子关联已经成为量子信息领域的关键资源，在量子计算、量子通信和量子精密测量等过程中扮演着重要的角色。

 

　　刻画任意给定的一个量子态中的非经典关联仍然存在巨大挑战。很多数学形式的判据对多体系统而言其计算极其复杂。已知的很多方法往往需要整个量子态的密度矩阵信息，从而实验上需要完整的量子态层析，其数据采集时间随着系统粒子增加会数指数增加。由于每种非经典关联都有各自不同的判据，人们并不清楚是否存在一个统一的框架可以通过相同的测量或可观测量的集合实现所有这些非经典关联的区分。为了应对上述难题，科学家们开始尝试将机器学习的方法引入多重量子关联研究。

 

　　机器学习是人工智能的一个重要的分支，通过一系列的训练数据来得到一个可输出预测结果的函数或模型。李传锋、许金时等人将机器学习技术应用于非经典关联的区分，实验实现了多重量子关联的分类。他们通过巧妙的实验设计，在光学系统中制备出一簇参数可调的两比特量子态。通过只输入量子态的部分信息（两个可观测量的值），利用神经网络、支持向量机以及决策树等机器学习模型对455个量子态的非经典关联属性进行学习，成功地实现了多重非经典关联分类器。实验结果表明基于机器学习算法的分类器能以大于90%的高匹配度识别量子纠缠、量子导引和贝尔非定域性等不同的量子关联属性，而且无论在资源消耗还是时间复杂度上都远小于传统判据所依赖的量子态层析方法。

 

　　据了解，量子信息与人工智能的融合是当前最热门的研究方向之一，已经取得很多重要进展。这项工作在实验上将机器学习算法应用于多重非经典关联的区分，推动了人工智能与量子信息技术的深度交叉。未来，机器学习作为一种有效的分析工具，将有助于解决更多量子科学难题。