量子计算机功能强大，但应用领域有限。清华大学孙鲁彦团队在超导电路上实现了量子生成对抗网络，准确率达到98.8%。这项工作有望证明量子计算机在图像生成等领域超越经典计算机，将成为量子机器学习的又一里程碑。 量子机器学习的新里程碑！ 清华大学孙鲁彦团队提出了“量子版”的生成对抗网络，并证明其与经典对应方法相比具有潜在的“指数级”优势。 近日，孙鲁炎团队的研究成果发表在ScienceAdvances上。论文介绍了超导量子电路中量子生成对抗学习的原理证明和实验演示。 研究结果表明，经过多轮对抗性学习，可以训练出一个量子态生成器，可以统计复制量子通道模拟器输出的量子数据，并且具有98.8%的高保真度，使得判别器无法区分真实数据和生成数据之间。 值得注意的是，“量子至上”的证明通常被认为至少需要50个量子比特，但该团队的研究使用了一个只有一个量子比特的系统。 证明量子计算可以利用GAN 生成对抗网络(GAN)由两个神经网络组成，即生成器和鉴别器。 生成器生成数据，比如人脸图片；判别器可以得到真实数据和生成器创建的假数据，必须区分真假。两者经过很多轮之后，生成器得到了更新，学会了如何产生更逼真的图像，以至于鉴别器无法再区分真假。 而GAN是近年来机器学习领域最激动人心的突破之一。它在图像和视频生成等各种具有挑战性的任务中表现出色，例如，它可以生成极其逼真的人脸照片，以防万一。GAN生成的Photo 理论上，量子计算机在解决某些问题时比普通计算机有速度优势，比如大数因式分解。 “不过，就目前的技术水平而言，量子计算机还无法达到这个优势。”孙鲁炎说道。 研究人员认为，量子计算机上的GAN也可能具有这样的速度优势，但他们仍需要明确地证明这一点。 于是，用量子生成器和判别器打造一个量子GAN，就成了证明“量子霸权”的又一案例。 量子生成对抗网络QGAN：准确率98.8% 孙鲁彦团队通过实验展示了生成对抗网络的量子版本——QGAN，其中输入和输出数据都是量子比特。 发生器G由一个超导电路组成，可以产生一组随机的纯量子态ρ，模拟真实的量子数据σ。其中，输入的量子数据由数字量子比特通道模拟器随机生成。 鉴别器D由测量相关映射的量子设备组成，可以生成测量映射的结果M。 以下过程与普通的生成对抗网络（GAN）相同。生成器G不断生成虚拟数据ρ，然后鉴别器D不断生成测量ρ和σ的结果，试图区分ρ和σ，反之亦然。为了优化生成器的生成结果，D无法区分ρ和σ。 QuantumGenerativeAdversarialNetworkQGAN：（a）量子生成器G和量子鉴别器D，G生成模拟的量子态ρ，真实的量子态σ由模拟器随机生成；(b)D获取输入数据最后，通过称重机制判断模拟数据ρ与真实量子态σ之间的差异。 研究人员构建的量子GAN算法执行图如下： σ作为原始量子数据，ρ作为模拟的量子态分布，因此是概率分布。其中，测量结果的差值β和γ是通过FPGA阵列实现的。QGAN算法的实验协议 实验证实了生成器确实可以学习数据量子数据的模式，并生成与真实量子数据几乎相同的量子态。 不仅如此，研究人员在论文中指出，他们能够达到98.8%的准确率。 量子计算机有望在图像生成中实现量子霸权 研究人员得出结论，由于QGAN实验中既不需要量子随机存储设备，也不需要通用量子计算设备或任何参数的微调，它可以我们相信，在不远的将来，量子设备将使可用的、嘈杂的、中等规模的量子应用成为可能。 什么是“有噪声的中等量子”？去年，加州理工学院理论物理学家、“量子霸权”概念的提出者约翰·普雷斯基尔指出，在实现了具有50到100个量子比特的中型量子计算机后，人类可以用它来探索更多经典计算机无法探索的研究领域。也将进入量子技术发展的新时期，他称之为“嘈杂的中级量子（NISQ）”时代。 计算机体系结构顶级会议MICRO2017的论文奖授予了这样的作品。该论文提出了一种用于控制超导量子计算机的微架构，将量子软件和硬件有机地连接起来，让传统处理器的设计技术可以用于量子控制处理器。 清华大学本次实验工作的意义在于量子GAN已经在超导量子电路（属于NISQ设备）上实现。鉴于GAN在图像生成等应用中的强大性能，这有望实现“量子至上”，即利用量子计算机生成图像比经典计算机更快更强。 结合MICRO2017论文奖研究，或许可以加速清华大学实现图像量子霸权的工作。想想看，是不是很激动？ （来源：科学进展，新科学家） 论文地址： http://advances.sciencemag.org/content/5/1/eaav2761 报告地址： https://www.newscientist.com/article/2191929-battling-ai-algorithm-tested-on-a-首次使用量子计算机/
