机器学习辅助绝热量子算法设计

量子计算在近十年取得了长足的进展.随着量子调控技术达到前所未有的高度,包括超导量子比特、光量子器件、原子系综等在内的量子实验平台都进入到了崭新的时代.目前在特定计算任务上超越经典的量子计算优势也已经被报道.其中一种可以有效运用可控量子器件的计算方案是采用绝热量子计算.绝热量子计算中算法的选择与研究至关重要,其将直接决定量子计算优势是否能够最大限度地被挖掘.本综述主要介绍近期机器学习在绝热量子算法设计方面的应用,并讲述该计算架构在3-SAT和Grover搜索等问题上的应用.通过与未经机器学习优化设计的绝热量子算法对比,研究表明机器学习方法的应用可以极大提高绝热量子算法的计算效率.     

量子人工智能中的对抗学习

量子人工智能是一个探究人工智能与量子物理交叉的领域:一方面人工智能的方法和技术可以用来解决量子科学中的问题;另一方面,量子计算的发展也可能为人工智能,尤其是机器学习,提供新的范式,极大促进人工智能的发展.然而,量子机器学习和经典学习系统对于对抗样本同样具有脆弱性:在原始数据样本上添加精心制作的微小扰动将很可能导致系统做出错误的预测.本文介绍经典与量子对抗机器学习的基本概念、原理、以及最新进展.首先从经典和量子两个方面介绍对抗学习,通过二维经典伊辛模型和三维手征拓扑绝缘体的对抗样本揭示出经典机器学习在识别物质相时的脆弱性,同时利用手写字体的对抗样本直观展示出量子分类器的脆弱性.随后从理论层面上分别阐述经典与量子的"没有免费午餐"定理,并探讨了量子分类器的普适对抗样本.最后,分析并讨论了相应的防御策略.量子人工智能中对抗学习的研究揭示了量子智能系统潜在的风险以及可能的防御策略,将对未来量子技术与人工智能的交叉产生深刻影响.     

基于自旋体系的量子机器学习实验进展

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.     

基于回归决策树的测量设备无关型量子密钥分发参数优化

量子密钥分发(quantum key distribution,QKD)结合一次一密的加密方式,可以实现无条件安全的量子通信.双场(twin-field,TF) QKD和测量设备无关(measurement-device-independent,MDI) QKD具有较高的安全性,同时适合构建以测量端为中心的网络,具有广阔的应用前景.但在实际应用过程中,参数配置对QKD性能有着极大影响,而实际场景中存在着用户数量大、位置距离中心站点非对称、并且用户大部分处在实时移动中的特点.面对上述实时的参数配置需求,传统的参数优化方式将无法满足.本文提出将监督机器学习算法应用于QKD参数优化配置中,通过机器学习模型预测不同场景下TF和MDI两种常用协议的最优参数.将神经网络、最近邻、随机森林、梯度提升决策树和分类回归决策树(classification and regression tree,CART)等监督学习模型进行对比,结果显示CART模型在R²等回归评估指标上均有最优表现.在随机划分训练组、验证组情况下,预测参数的密钥率与最优密钥率比值的均值在0.995以上;在“超精度”...     

基于相位匹配的量子行走搜索算法及电路实现

量子行走是经典随机行走在量子力学框架下的对应, 理论上可以用来解决一类无序数据库的搜索问题. 因为携带信息的量子态的扩散速度与经典相比有二次方式的增长, 所以量子行走优于经典随机行走, 量子行走的特性值得加以利用. 量子行走作为一种新发现的物理现象的数学描述, 引发了一种新的思维方式, 孕育了一种新的理论计算模型. 最新研究表明, 量子行走本身也是一种通用计算模型, 可被视为设计量子算法的高级工具, 因此受到部分计算机理论科学领域学者的关注和研究. 对于多数问题求解方案的量子算法的设计, 理论上可以只在量子行走模型下进行考虑. 基于Grover算法的相位匹配条件, 本文提出了一个新的基于量子行走的搜索算法. 理论演算表明: 一般情况下本算法的时间复杂度与Grover算法相同, 但是当搜索的目标数目多于总数的1/3时, 本算法搜索成功的概率要大于Grover算法. 本文不但利用Grover算法中相位匹配条件构造了一个新的量子行走搜索算法, 而且在本研究室原有的量子电路设计研究成果的基础上给出了该算法的量子电路表述.     

深度学习在高能物理领域中的应用

深度学习是一类通过多层信息抽象来学习复杂数据内在表示关系的机器学习算法。近年来,深度学习算法在物体识别和定位、语音识别等人工智能领域,取得了飞跃性进展。文章将首先介绍深度学习算法的基本原理及其在高能物理计算中应用的主要动机。然后结合实例综述卷积神经网络、递归神经网络和对抗生成网络等深度学习算法模型的应用。最后,文章将介绍深度学习与现有高能物理计算环境结合的现状、问题及一些思考。     

量子态制备及其在量子机器学习中的前景

经典计算机的运算能力依赖于芯片单位面积上晶体管的数量,其发展符合摩尔定律.未来随着晶体管的间距接近工艺制造的物理极限,经典计算机的运算能力将面临发展瓶颈.另一方面,机器学习的发展对计算机的运算能力的需求却快速增长,计算机的运算能力和需求之间的矛盾日益突出.量子计算作为一种新的计算模式,比起经典计算,在一些特定算法上有着指数加速的能力,有望给机器学习提供足够的计算能力.用量子计算来处理机器学习任务时,首要的一个基本问题就是如何将经典数据有效地在量子体系中表示出来.这个问题称为态制备问题.本文回顾态制备的相关工作,介绍目前提出的多种态制备方案,描述这些方案的实现过程,总结并分析了这些方案的复杂度.最后对态制备这个方向的研究工作做了一些展望.     

一种基于量子线路的支持向量机训练方案

本文针对支持向量机提出一种基于量子态内积的量子线路训练方案.该方案以量子基础力学理论为基础,通过量子化,生成支持向量机训练样本元素对应的量子态;以量子初始基态和对应的量子逻辑门为基础,构建可以实现训练样本元素量子态的量子线路;通过建立量子态内积与SWAP量子逻辑门之间的关系,采用量子态振幅的交换演化操作来实现量子态内积.验证结果表明,该方案不但使得支持向量机完成了正确分类,还针对该方案的量子部分实现了在真实量子计算机上运行,与经典算法相比,多项式程度上降低了算法的时间复杂度,扩展了支持向量机的训练思路.     

Brüschweiler量子搜索算法的改进及其实验实现

量子计算与经典计算相比, 能够极大地提高运算速度, 解决一些经典计算不能解决或很难解决的问题. 对于在无序数据库中进行搜索这类问题, 可以用量子算法, 如Brüschweiler量子搜索算法来解决. 与经典算法相比, Brüschweiler量子算法能够指数次地提高搜索速度. 在Brüschweiler提出的算法中, 数据量子位和观测量子位(辅助量子位)是分开的, 属于不同的量子位. 通过研究, 对Brüschweiler算法作了改进, 使之不需要用辅助量子位, 就可以达到指数次提高搜索速度的目的. 改进后的Brüschweiler量子算法有利于简化实验的设计和实现过程. 同时还利用核磁共振实验, 演示了改进后的Brüschweiler量子算法的实现.     

基于波动与扩散物理系统的机器学习

物理学在机器学习中的应用以及两者的交叉融合正引起广泛关注,尤其是在波动系统和扩散系统中.本文重点关注波动与扩散物理系统和机器学习之间的内在联系以及对机器学习算法和物理实现的推进作用,综述了波动系统和扩散系统中的机器学习研究,介绍了部分最新研究成果.文中首先讨论了监督学习的波动系统实现,包括神经网络的波动光学实现、量子搜索的波动实现、基于波动系统的递归神经网络以及神经形态的非线性波动计算.接着,文中继续讨论了受扩散系统启发的机器学习算法,如基于扩散动力学的分类算法,基于热扩散的数据挖掘和信息过滤,以及基于群体扩散的搜索优化等.波动系统以其天然的并行性、高效、低能耗等优势,通过丰富的波动力学和波动物理现象进行计算或算法模拟,正成为机器学习的新型物理载体.扩散系统中的物理机制可以启发构建高效的机器学习算法,用于复杂系统和物理学研究中的分类、优化等问题.期望通过对波动、扩散物理系统与机器学习内在联系的讨论,能够为开发物理启发的新算法和硬件实现甚至软硬一体化带来抛砖引玉的启示.     

基于云模型的自适应量子免疫克隆算法

利用云模型能够兼顾随机性和模糊性的品质,提出一种基于云模型的自适应量子免疫克隆算法.使用云算子代替通用的量子旋转门这一量子进化算法核心算子用于寻优变异操作;通过控制云算子间的协作,实现算法在进化过程中对搜索范围的动态调整,使算法具有较强的全局搜索能力;同时,补充针对性的优化方案,有效避免了算法陷入局部最优.对标准数值优化问题的仿真对比实验表明,该算法具有寻优能力强、搜索精度高、稳定度好等优点;对非线性系统的参数估计仿真实验,该算法也取得了对参数的高精度有效估计.     

膜量子蜂群优化的多目标频谱分配

为了解决认知无线电系统中最大和网络效益和用户间公平性联合最优化的多目标频谱分配难题,基于量子蜂群理论和膜计算,提出了一种新的离散多目标组合优化算法—–膜量子蜂群优化.所提算法在基础膜可以搜索到单个目标的全局最优解,在表层膜获得兼顾网络效益和公平的Pareto前端解.通过膜间的通信规则、量子觅食行为的协同演进和非支配解排序可获得能同时求解单目标和多目标优化问题的多目标优化算法,并与经典的敏感图论着色算法、遗传算法、量子遗传算法和粒子群算法等频谱分配算法在不同的目标函数下进行仿真性能比较.仿真结果表明:在不同网络效益函数下所提的膜量子蜂群频谱分配算法都能够较好地找到单目标最优解,优于经典的频谱分配算法和已有的智能频谱分配算法,还可获得多目标频谱分配的Pareto前端最优解集.     

基于Bloch球面搜索的量子粒子群优化算法

通过分析量子势阱粒子群优化算法的设计过程,提出一种基于Bloch球面搜索的量子粒子群优化算法.首先用基于Bloch球面描述的量子位描述粒子,用泡利矩阵建立旋转轴,用Delta势阱模型计算旋转角度,用量子位在Bloch球面上的绕轴旋转实现搜索.然后用Hadamard门实现粒子变异,以避免早熟收敛.这种旋转可使当前量子位沿着Bloch球面上的大圆逼近目标量子位,从而可加速优化进程.仿真结果表明,该算法的优化能力优于原算法.     

基于投影纠缠对态算法优化的研究

二维强关联电子量子格点系统的投影纠缠对态(PEPS)算法是数值计算领域中研究二维强关联电子量子格点系统最为重要的张量网络算法.基于PEPS算法研究二维量子XYX模型与二维量子Ising模型,本文对PEPS算法进行了一些优化和改进研究,这些优化和改进主要体现在如何进行PEPS张量的更新与如何进行物理观测量的计算这两个方面,从而可以大大提高计算资源的利用.因而优化和改进后的PEPS算法可为研究热力学极限下的二维强关联电子量子格点系统的量子相变和量子临界现象提供一种更有效的强大的工具.     

基于数据驱动的一类复杂系统动态特性分析

针对一类复杂的无法对其机理建模的离散时间系统,根据采集的两年工艺参数数据,结合复杂工艺特点,提出了基于数据驱动的系统动态特性建模方法,构建了时间序列受控回归滑动平均(CARMA)胞映射模型。在模型结构确定的基础上,采用改进的量子行为粒子群优化(IQPSO)算法对系统参数进行辨识。算法通过设计新的粒子更新式增加了粒子的多样性,避免了算法的早熟收敛;算法通过在后期将搜索到的最优值传递给神经元作为初始权值,利用神经元增强算法的局部搜索能力,实现了算法探索与开发的平衡,达到对模型参数进行快速精确辨识的目的。在转化为状态空间模型基础上,根据胞映射理论对系统进行了稳定性分析,通过对胞映射作图快速获得平衡胞,利用动态优化原理,找到所有的周期胞和吸引域,达到对系统稳定性分析的目的。利用现场工艺数据进行仿真,结果证明了所提方法的有效性。     

基于条件生成式对抗网络的油藏单井产量预测模型

为克服机器学习方法在油藏单井产量预测中的过拟合问题, 提高油田生产中的产量预测精度, 提出一种基于条件生成式对抗网络(CGAN)的油藏单井产量预测模型。该模型使用长短期记忆、全连接等基础神经网络, 构建生成和判别网络模型。生成网络模型以产量影响因素为条件输入, 生成预测产量数据, 利用对数损失函数评价预测数据与真实数据之间的偏差, 通过条件生成式对抗网络的博弈训练, 并结合贝叶斯超参数优化算法, 优化模型结构, 综合提高模型的泛化能力。基于Eclipse数值模拟软件建立同一井网条件下不同地质和生产条件下的油藏单井产量数据库, 以地质与生产条件等产量影响因素作为模型的条件输入, 进行油藏单井产量预测。结果表明: 与全连接神经网络(FCNN)、随机森林(RF)以及长短期记忆神经网络(LSTM)模型的预测结果相比, CGAN模型在测试集上的平均绝对百分比误差分别提升了2.59%、0.81%以及1.72%, 并且过拟合比最小(1.027)。说明CGAN降低了机器学习产量预测模型的过拟合程度, 提高了模型的泛化能力与预测精度, 验证了所提算法的优越性, 对指导油田高效开发和保障我国能源战略安全具有重要意义。     

基于神经网络的翼型气动力计算和反设计方法

开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.      

基于量子存储的长距离测量设备无关量子密钥分配研究

针对量子中继器短时间内难以应用于长距离量子密钥分配系统的问题, 提出了基于量子存储的长距离测量设备无关量子密钥分配协议, 分析了其密钥生成率与存储效率、信道传输效率和安全传输距离等参数间的关系, 研究了该协议中量子存储单元的退相干效应对最终密钥生成率的影响, 比较了经典测量设备无关量子密钥分配协议和基于量子存储的测量设备无关量子密钥分配协议的密钥生成率与安全传输距离的关系. 仿真结果表明, 添加量子存储单元后, 协议的安全传输距离由无量子存储的216 km增加至500 km, 且量子存储退相干效应带来的误码对最终的密钥生成率影响较小. 实验中可以采取调节信号光强度的方式提高测量设备无关量子密钥分配系统的密钥生成率, 为实用量子密钥分配实验提供了重要的理论参数.     

基于奇异值分解的矩阵低秩近似量子算法

在大数据时代,高效的数据处理至关重要,量子计算具有平行计算能力,为方便处理数据提供了新的解决途径.本文提出了一个基于奇异值分解的矩阵低秩近似量子算法,复杂度为O [log(pq)].在核磁共振量子计算系统完成了算法的原理演示,选择一个8 × 8维的图像矩阵,实现共振跃迁算法的哈密顿量H的时间演化,用量子态层析法分别读出密度矩阵的不同成分,对密度矩阵进行重构,保真度为99.84%,在误差范围内验证了本文提出的矩阵低秩近似量子算法的正确性.而通过奇异值分解计算低秩矩阵的经典算法的复杂度是O[poly(pq)],量子算法与经典算法相比,实现了指数加速.     

一类基于级联结构的量子好码

借助经典级联码的思想，详细阐述了通过适当选择量子码作为外码和内码，构造一般意义量子级联码的过程.在此基础上，通过选择量子RS码作为外码，一组特殊结构的量子码作为内码，具体构造出了一类量子级联码，证明了其是量子好码.在量子纠错码领域中，这是首次利用经典坏码构造出量子好码.