來自中國科大的消息顯示，中國科大中國科學院微觀磁共振重點實驗室杜江峰、王亞、李兆凱等人在量子機器學習研究中取得重要進展，研發(fā)出新型量子特征提取算法，實驗實現(xiàn)了對未知量子系統(tǒng)矩陣的分析與信息提取。

機器學習是指使用計算機從大量歷史數(shù)據(jù)中挖掘隱含規(guī)律，并用于后續(xù)預測或者分類的過程。機器學習是人工智能的核心。為了成功完成特定任務，人工智能往往需要大量數(shù)據(jù)用于總結與分類，這對計算機系統(tǒng)的存儲與處理能力提出了很高的要求。

量子機器學習可以將量子算法的并行加速特性應用于人工智能領域中，提升人工智能系統(tǒng)的效率與能力，有望在未來實現(xiàn)基于量子系統(tǒng)的人工智能。

據(jù)了解，杜江峰院士團隊自2012年以來率先開展了量子人工智能的實驗研究相關工作如量子手寫識別是量子人工智能應用于實際問題的最早案例，展示了量子技術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為機器學習中的數(shù)據(jù)運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實驗研究，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)典還是量子計算機進行機器學習，在獲得類似數(shù)據(jù)集之前都需要對原始數(shù)據(jù)進行分析和預處理，提取出其中的核心信息用以學習與總結規(guī)律。這一過程被稱之為數(shù)據(jù)特征提取，是量子人工智能運行的關鍵步驟。

其中，使用量子算法進行特征提取的理論思路最早于2014年提出，但由于其原始設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實驗體系中予以實現(xiàn)。

為解決這一限制，杜江峰院士研究團隊開發(fā)出新型基于共振的量子主成分分析技術，將輔助量子比特的需求降低到1個，大大降低實驗難度；同時，為減少實際實驗中的噪聲干擾，該技術還可以結合量子相干保護手段，有利于在實際量子處理器物理平臺上達到高精度與高效率的量子計算。

實驗中，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)矩陣進行分析與處理的過程（如下圖）：

圖A：金剛石量子處理器上實現(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：實驗中，研究人員使用一個輔助比特作為探針進行掃描，精確定位了密度矩陣中不同成分的強度（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，相當于原本10個輔助量子比特才能達到的精度；

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（對應數(shù)據(jù)柱高度）。特征提取任務的目標是將該數(shù)據(jù)的關鍵特征，即右側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)矩陣中的關鍵部分（右側第一列）被單獨提取并儲存：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)矩陣的關鍵特征。

最終，實驗結果顯示，這一特征提取過程達到了90%的提取精度與86%的提取效率，展示了該新技術在真實物理平臺上的適用性與精確性。

研究結果顯示此次研發(fā)的新技術可以實現(xiàn)對數(shù)據(jù)預處理過程的量子加速，高效率提取出量子數(shù)據(jù)矩陣中的關鍵特征，用于后續(xù)進一步分類與識別。該技術能夠提升機器學習的效率和效果，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。中國科學院微觀磁共振重點實驗室副研究員李兆凱、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、國家自然科學基金委、中國科學院和安徽省等資助。