量子人工智能算法的理论与实验研究

The research of quantum computation is a very active and fast moving subject, encompassing many different fields of research, such as computer science, quantum mechanics, and mathematics. Quantum algorithms may be utilized to reduce the resource costs, as they have provided impressive speedup over their classical counterparts in many fields. In the designing of artificial intelligence (AI), the machines can learn from the existing experience and optimize their future performance. In the age of Big Data, the classical intelligent machines often require huge computational resources in practical cases. In this situation, making use of quantum parallelism in quantum AI algorithm would be extremely attractive and necessary. To achieve the quantum speedup, we will investigate the classical AI algorithm used for storing and analyzing data, and design the quantum AI algorithm accordingly. Furthermore, we choose the electron-nuclear hybrid spin system in solids based on NV defect center in diamond and the nuclear-spin system in nuclear magnetic resonance (NMR) to deal with different requirements of specific quantum algorithms. In this research, we will aim to design and experimentally realize quantum artificial intelligence algorithm, and achieve applications in practical problems. Because of the widespreading importance of artificial intelligence and its tremendous consuming of computational resources, quantum speedup would be extremely attractive against the challenges from the Big Data.

作为量子信息领域中的重要课题，量子计算在多个交叉领域都有着广泛应用。量子计算的并行特性可以用于提升算法的执行效率，从而在复杂度上大大优于经典算法。在人工智能领域中，智能机器需要从已有数据中得到经验训练，且其处理问题的能力往往与训练量密切相关。在现今的大数据时代，这类经典智能需要海量的存储与运算量，导致其应用范围受限。因此，量子计算的加速特性在这一领域的应用就极为必要。本项目将从对人工智能算法的研究出发，根据量子规律设计对应的量子算法，以期完成对数据的量子信息处理。同时为进一步地实现这些算法，我们选用了金刚石色心体系中电子-核杂化体系与核磁共振体系中的原子核体系作为实验平台，应对不同算法的实验需求。本项目的研究致力于将量子算法与经典信息论结合，实现量子人工智能算法，并应用于具体问题。这一研究将有望解决人工智能在大数据时代面临的高计算量问题，为未来量子人工智能的大规模应用作出先行性的探索。

与经典计算机算法相比，量子计算机上运行的量子算法具有优越的加速性能，特别是在大批量数据处理时效果更为明显。量子计算的并行特性可以显著地减少算法所需的时间与空间资源，这使得量子算法的研究非常必要。在过去几年，人工智能的研究是世界上最重要的研究方向之一。人工智能领域中，智能机器需要从已有数据中得到经验训练，提升其未来处理问题的能力。然而，为了提升其智能水平，这类机器需要海量的存储与运算量，导致其应用范围与能力受限。为了解决这一问题，研究者们期望可以将量子加速应用到智能机器的数据处理算法中，以大幅减少算法对资源的要求。这一量子信息与智能的交叉领域就是量子人工智能。. 为了实现量子加速，项目组研究了经典人工智能领域中的数据处理方法，并据此设计相应的量子版本。我们研究的机器学习算法基于线性矩阵处理，因此可以利用量子矩阵处理算法的加速特性。这个领域的一个典型例子是如何有效地求解一个给定矩阵的本征值与本征向量。我们设计了一个新的量子算法，可以将这个矩阵的信息编码到量子寄存器中，并通过探测量子探针与量子寄存器之间的共振跃迁现象，观测到该数据矩阵的本征值信息，并进而制备出其本征向量。基于这项关键技术，我们进一步开发了量子特征提取算法，可有效提取出未知矩阵中的特征信息。. 为进一步实现这些算法，项目组选用了金刚石氮-空位色心单自旋体系与核磁共振体系中的原子核体系作为实验平台。在实验中，项目组成功演示了矩阵本征问题求解算法，并求解了水分子哈密顿量矩阵的基态问题，得到了其本征向量和本征值的谱。另外，项目组首次在室温大气条件下实现了基于固态单自旋体系的量子分解算法，验证了单自旋固态体系用于实现量子算法的能力。这些实验工作显示了量子计算与量子加速可以被应用到很多机器学习与数据处理算法中，有望解决人工智能在大数据时代面临的高计算量问题，为未来量子人工智能的大规模应用作出先行性的探索。