科技日报记者 吴长锋

记者从中国科学技术大学获悉，该校中国科学院微观磁共振重点实验室杜江峰、王亚、李兆凯等人研发出新型量子特征提取算法，实现了对未知量子系统矩阵的分析与信息提取。该成果日前发表在《科学进展》上。

量子机器学习可以将量子算法的并行加速特性应用于人工智能领域中，提升人工智能系统的效率与能力，有望在未来实现基于量子系统的人工智能。但无论是使用经典还是量子计算机进行机器学习，在获得类似数据集之前都需要对原始数据进行分析和预处理，提取出其中的核心信息用以学习与总结规律。这一过程被称之为数据特征提取，是量子人工智能运行的关键步骤。

基于量子相位估计算法，需要大量量子比特作为辅助寄存器，因此一直未能在真实实验体系中予以实现。为解决这一限制，研究团队开发出新型基于共振的量子主成分分析技术，将辅助量子比特的需求降低到1个，大大降低实验难度。研究人员使用金刚石氮-空位色心量子处理器，演示了对未知量子数据矩阵进行分析与处理的过程。研究人员使用一个辅助比特作为探针进行扫描，精确定位了密度矩阵中不同成分的强度。通过多次迭代逼近，密度矩阵成分的定位误差被降低到小于0.001，相当于原本10个辅助量子比特才能达到的精度。其后，研究人员锁定该数据矩阵的主要成分并将其隔离提取出来，得到的量子态即为输入数据矩阵的关键特征。实验结果显示，这一特征提取过程达到了90%的提取精度与86%的提取效率，展示了该新技术在真实物理平台上的适用性与精确性。

该成果研发的新技术可以实现对数据预处理过程的量子加速，高效率提取出量子数据矩阵中的关键特征，用于后续进一步分类与识别，能够提升机器学习的效率和效果，未来有望在较大规模量子处理器上得到应用。（中国科大供图）