基于自旋体系的量子机器学习实验进展*

田宇 林子栋 王翔宇 车良宇 鲁大为

(南方科技大学物理系, 深圳 518055)

机器学习因其在模式识别等问题上的优势已经被广泛应用到各个研究领域, 然而其运算能力在一定程度上受到经典计算机算力的制约. 近年来, 随着量子技术的高速发展, 量子计算加速的机器学习在诸多量子体系中进行了初步实验验证, 并在某些特定问题上展示出了超越经典算法的优势. 本文主要介绍两类典型的自旋体系—核磁共振体系和金刚石氮空位色心体系, 并回顾近年来量子机器学习在这两类体系上的一些代表性实验工作.

1 引 言

机器学习是人工智能的重要研究方向之一, 该领域主要采用的方法是对大量数据进行分析, 以识别出数据中包含的信息, 进而提取出数据特征[1].它起源于计算机科学, 在近十年间备受瞩目, 在科学技术等诸多领域产生了广泛的影响[2—4]. 机器学习从基于学习方式上大致可以分为三大类: 监督学习, 无监督学习, 强化学习. 监督学习是通过已有的带标签的数据调整数学模型参数, 从而让模型能够解决分类或者回归问题, 监督学习算法包含支持向量机(SVM)、线性回归、决策树及神经网络. 无监督学习则用来对没有标签信息的数据进行聚类或者对未标准化的数据进行预处理, 常用的算法有主成分分析(PCA)、词嵌入及K最近邻(KNN).强化学习则是通过决策行动得到的环境反馈的奖惩信息作为模型参数的训练依据, 最终使模型能……