量子机器学习算法在核磁共振量子云平台上的研究

Due to the widely application of machine learning, amazing happens everywhere in our daily life, for example facial recognition and AlphaGo. Via learning a large amount of empirical data, the machine learning algorithms realize their self-improvement and evolution. However, for those atypical patterns problems, this method is considered inefficient. Moreover, in some case, training such a large amount of data tends to push the current computing resource to the limit. In order to solve those problems, ‘quantum machine learning' is proposed, which is an interdisciplinary of quantum computing and machine learning, boosting the efficiency of machine learning with the quantum properties. In this field, the main challenges are searching the efficient quantum algorithms and their physical implementation. Quantum principal component analysis and quantum gradient algorithm are two very important algorithms in this field. They are supposed to achieve “quantum acceleration” and can be widely used in complex data analysis and numerical optimization problems. For the excellent control methods in Nuclear Magnetic Resonance(NMR) quantum system, in this project, we will build at least 4-qubits NMR quantum system and its cloud platform; adapt and design an experimental protocol of quantum principal component analysis and quantum gradient algorithm; implement them in the NMR system and its cloud platform. With the development of machine learning and quantum information, our project will be significant to applications of future practical quantum computer.

无论是实用化的面部识别或者AlphaGo，机器学习所带来的神奇已深入生活的方方面面。通过对大量数据经验的学习，这类算法可不断实现自我优化。然而，基于经典计算机的机器学习被认为对于有的非典型模式问题并不有效。作为理想的解决手段，“量子机器学习”，即通过量子计算的优势提升机器学习的效率，近期倍受人们的关注。其中，有效的量子机器学习算法和在物理系统中的实现一直是该领域中最富挑战的问题。量子主成分分析法和量子梯度算法作为量子机器学习中两类重要的算法，有望实现“量子加速”，可被运用在复杂数据分析和数值优化问题中。由于核磁共振成熟的操控技术，在本项目中，我们将（1）搭建至少4比特核磁共振量子体系及其云平台；（2）改进并设计量子主成分分析法和量子梯度算法实验并在核磁共振体系及其云平台中分别实现和集成。随着机器学习和量子信息的发展，我们项目的完成会为未来量子计算机的应用带来积极的影响。

无论是实用化的神经网络还是一些分类器，机器学习所带来的神奇已深入生活的方方面面。通过对大量数据经验的学习总结，此类算法可不断自我优化。然而，基于经典计算机的机器学习被认为对于非典型模式问题并不有效。作为理想的解决手段，“量子机器学习”，即通过量子计算的优势提升机器学习的效率，近期倍受人们的关注。量子主成分分析法和量子梯度算法作为量子机器学习中两类重要的算法，可被运用在复杂数据分析和数值优化问题中。也成为本项目的切入口。.随着项目的推进，以及同其他单位的合作，我们构建出了一个4量子比特的物理系统，并完成了相关系统哈密顿量参数的探测。通过grape等工具，我们优化并控制形状脉冲。基于此，我们可以完成对系统的控制，实现该自旋体系的初始化、高保真度操控、有效读出。作为项目的核心，我们重点研究基于迭代的量子优化算法和量子主成分等量子机器学习算法。在实验中，利用核磁共振系统，我们完成了对此迭代量子优化算法的演示。进一步的理论上，我们改进和设计了更具一般性的一阶二阶量子优化算法。针对量子主成分分析法，我们构建了其中的重要模块，厄米算符演化的线路实现。另外，针对系统的有效读出，我们发展了两套新的混态纯态的态层析方案，其中一套也在核磁共振和超导云平台上得到了演示。随着机器学习和量子信息的发展，我们希望本项目的一些结果会为未来量子计算机的应用带来积极的影响。