基于整体主义范式的量子人工智能－理论基础与方法研究

The researches and applications of Artificial Intelligence (AI) have achieved significant success in a number of specialized tasks. However, it is still far away from the goal of Artificial General Intelligence (AGI). The researches of Quantum Artificial Intelligence (QAI), which uses the paradigm, methods and mathematical frameworks of quantum mechanics (QM) in AI researches, are an important effort to develop AGI and have been expected to substantially promote AGI. Based on the holism paradigm of QAI, this project will analytically construct the basis of QAI theories and algorithms, quantitatively clarify the following fundamental questions: How do the inherent dynamic and statistical features of QM and its generalization affect the efficiency and effectiveness of General Intelligence (GI) and AGI systems. Specifically, using information geometry approach, this project formally analyses the information nature of the mechanisms generating quantum-like characteristic phenomena in the cognitive and intelligent procedures, develops neural generative models of quantum-like features in the framework of artificial neural networks, and generalizes Leifer-Spekkens’ causally neutral quantum Bayesian probabilistic framework so as to effectively represent and inference the quantum-like statistical features, for example, strong contextuality. Based on the above resulting methods and models, this project will quantitatively analyze how the quantum-like features influence the small-sample learning ability of cognitive and intelligent procedures, and further develop effective quantum-like computational intelligence models aiming at improving the learning efficiency and generalization ability with respect to several typical tasks, such as classification, regression, causal discovery, and statistical inference.

人工智能研究和应用虽已在若干专门任务上取得重要成功，但离通用智能的目标仍有显著差距。量子力学与人工智能的结合－量子人工智能研究是实质性推进通用智能发展的重要尝试。本项目将基于整体主义研究范式，以解析和实证手段建构量子人工智能的理论及算法基础，定量澄清如下基本问题：由量子力学及其扩展所蕴含的动力－统计特征对于通用智能系统的效率和效果的影响。具体地，本项目利用信息几何方法，形式化分析认知和智能过程的类量子特征现象的产生机理的信息本质；在人工神经网络框架下，发展类量子特征的神经生成模型；在因果中立量子贝叶斯概率框架下，发展可有效表示强互文性等类量子统计特征的一般化量子贝叶斯概率体系。基于前述分析结果和模型，本项目将定量分析类量子特征对于认知和智能过程的小样本学习能力的内在影响，并发展更有效的类量子智能计算模型，着重于提高其在分类－回归、因果发现和统计推断等典型任务上的学习效率和泛化能力。

本项目基于整体主义研究范式，通过以信息原则解释和公理化重构标准量子力学，在一定程度上定量澄清了量子人工智能研究的若干重要理论和应用基础问题，主要结果包括：发展了可靠性具有严格理论保证的量子因果发现方法，澄清了量子框架在因果关系发现和基于因果关系发现的小样本学习任务中的固有优势；发展了非经典（包括但不限于量子）概率框架，在此框架下研究了量子叠加特性和量子互文特性等典型量子特征的认知意义，及其在神经网络模型选择、信息检索和用户状态建模等实际任务模型中的可用性。. 具体地，在理论基础方面，本项目在非经典（包括但不限于量子）概率框架下，基于信息和统计原则，系统发展了量子力学的理论解释和公理化重构，澄清了标准量子力学形式化对于信息处理的优化意义，并有原则地发展了拟密度算子理论，从而扩展了量子态的算子表示空间。. 在应用基础方面，本项目在量子框架下，解析澄清了量子因果发现的优势，系统发展了可靠性具有理论保证的量子因果发现协议。我们的量子因果发现协议，避免了经典因果发现的干涉机制或观察机制所面临的固有困难，以纯观察机制，真正实现了具有解析可证之可靠性的因果发现，从而在量子框架下消解了由来已久的休谟悖论。值得说明的是，我们的量子因果发现协议，已经通过了中科大量子信息重点实验室郭光灿院士团队的独立实验验证。. 在应用方面，通过整合利用前述理论和应用基础的研究结果，发展了若干典型的整体主义量子人工智能应用：在深度神经网络框架下嵌入实现了导出（标准和扩展）量子系统的信息原则，从而形成了量子神经动力学，有原则地解释了深度神经网络中的类量子现象，并据此发展了基于量子动机的深度神经网络选择方法；基于量子动机，发展了具有理论保证小样本学习方法，用于有效实现部分标注学习任务；发展了基于量子力学的双向量形式化和弱测量的信息检索模型QIRM，实现了对用户信息需求的量子统计特征和动力学特征的有效建模；基于非经典概率框架，发展了可有效建模量子多上下文（互文）的人机对话模型和面向推荐系统的用户需求模。