我校郭光燦院士團隊在人工智能與量子力學(xué)基礎(chǔ)研究交叉領(lǐng)域取得重要進展。該實驗室李傳鋒、許金時等人與南方科技大學(xué)翁文康教授以及中科院重慶綠色智能技術(shù)研究院任昌亮研究員等人合作，將機器學(xué)習(xí)技術(shù)應(yīng)用于研究量子力學(xué)基礎(chǔ)問題，首次實驗實現(xiàn)了基于機器學(xué)習(xí)算法的多重非經(jīng)典關(guān)聯(lián)的同時分類。該成果于2019年11月6日發(fā)表于國際物理學(xué)權(quán)威期刊《物理評論快報》上。

1935年，愛因斯坦、波多爾斯基和羅森發(fā)表了著名的質(zhì)疑量子力學(xué)完備性的文章，后來被稱為EPR佯謬。隨著薛定諤和貝爾等眾多科學(xué)家對EPR佯謬的深入研究，人們逐漸理解愛因斯坦所指的“幽靈般的超距作用”來源于量子世界的非定域關(guān)聯(lián)，并且它還可以進一步細(xì)分為量子糾纏（Quantum Entanglement），量子導(dǎo)引（Quantum Steering）和貝爾非定域性（Bell Nonlocality）等層次。另一方面，隨著量子信息研究的興起，各種不同的量子關(guān)聯(lián)已經(jīng)成為量子信息領(lǐng)域的關(guān)鍵資源，在量子計算、量子通信和量子精密測量等過程中扮演著重要的角色。

然而刻畫任意給定的一個量子態(tài)中的非經(jīng)典關(guān)聯(lián)仍然存在巨大挑戰(zhàn)。首先很多數(shù)學(xué)形式的判據(jù)對多體系統(tǒng)而言其計算極其復(fù)雜。其次已知的很多方法往往需要整個量子態(tài)的密度矩陣信息，從而實驗上需要完整的量子態(tài)層析，其數(shù)據(jù)采集時間隨著系統(tǒng)粒子增加會數(shù)指數(shù)增加。最后由于每種非經(jīng)典關(guān)聯(lián)都有各自不同的判據(jù)，人們并不清楚是否存在一個統(tǒng)一的框架可以通過相同的測量或可觀測量的集合實現(xiàn)所有這些非經(jīng)典關(guān)聯(lián)的同時區(qū)分。

機器學(xué)習(xí)是人工智能的一個重要的分支，通過一系列的訓(xùn)練數(shù)據(jù)來得到一個可輸出預(yù)測結(jié)果的函數(shù)或模型。李傳鋒、許金時等人將機器學(xué)習(xí)技術(shù)應(yīng)用于非經(jīng)典關(guān)聯(lián)的區(qū)分，首次實驗實現(xiàn)了多重量子關(guān)聯(lián)的同時分類。他們通過巧妙的實驗設(shè)計，在光學(xué)系統(tǒng)中制備出一簇參數(shù)可調(diào)的兩比特量子態(tài)。通過只輸入量子態(tài)的部分信息（兩個可觀測量的值），利用神經(jīng)網(wǎng)絡(luò)、支持向量機以及決策樹等機器學(xué)習(xí)模型對455個量子態(tài)的非經(jīng)典關(guān)聯(lián)屬性進行學(xué)習(xí)，成功地實現(xiàn)了多重非經(jīng)典關(guān)聯(lián)分類器。實驗結(jié)果表明基于機器學(xué)習(xí)算法的分類器能以大于90%的高匹配度同時識別量子糾纏、量子導(dǎo)引和貝爾非定域性等不同的量子關(guān)聯(lián)屬性，而且無論在資源消耗還是時間復(fù)雜度上都遠(yuǎn)小于傳統(tǒng)判據(jù)所依賴的量子態(tài)層析方法。

量子信息與人工智能的融合是當(dāng)前最熱門的研究方向之一，已經(jīng)取得很多重要進展。這項工作在實驗上將機器學(xué)習(xí)算法應(yīng)用于多重非經(jīng)典關(guān)聯(lián)的同時區(qū)分，推動了人工智能與量子信息技術(shù)的深度交叉。未來，機器學(xué)習(xí)作為一種有效的分析工具，將有助于解決更多量子科學(xué)難題。

該論文共同第一作者是中科院量子信息重點實驗室博士生楊木（實驗）和中科院重慶綠色智能技術(shù)研究院任昌亮研究員（理論）。該工作得到了科技部、國家基金委、中國科學(xué)院、安徽省的支持。

圖1：非經(jīng)典關(guān)聯(lián)分類實驗裝置圖

圖2：三種人工智能模型對非經(jīng)典關(guān)聯(lián)進行分類的工作原理示意圖，（a）神經(jīng)網(wǎng)絡(luò)，（b）支持向量機，（c）決策樹。