HH量子纠缠或让“绝热量子计算机”有了实现途径

相对经典计算机而言,基于量子力学的量子计算机,越来越成为科学家关注的热点。如何通过量子计算实现量子霸权,也成为理论研究者建模的重点对象。近日,国际物理学期刊《物理学评论快报》上,发表的一篇名为《量子可积条件下的量子退火和热化》的论文,提出一种引入了量子纠缠机制、严格可解的绝热量子计算模型。该模型或为量子霸权的实现,提供一种可能的方案。

截至目前,量子计算的实现方案有多种,包括量子线路、绝热量子计算、量子随机行走、拓扑量子计算等模型。这些模型使量子计算的研究取得了较大进展。不过,普适的容错量子计算仍超出了现阶段技术能力,阻碍了量子霸权的实现。因此,尽管加拿大D-Wave公司已造出了世界上首台商用量子计算机,但其具体实现方案和物理模型仍有较大争议。如,很多研究者认为该系统的计算过程,并未真正实现量子加速,其结果与经典物理模型所获结果无异。

湖南大学物理与微电子科学学院教授李福祥,与美国洛斯阿拉莫斯国家实验室教授尼古拉·辛涅特西、韦恩州立大学教授弗拉迪米·尔切尔尼亚克共同合作完成的这一研究,则提出了一种新的绝热量子计算模型。该模型引入了“量子纠缠态”,通过采用一个满足量子可积条件的新模型,证明了在绝热量子计算中,当把初始状态制备成量子纠缠态时,可在保持一定出错率的情况下,大幅提高量子计算速度。这一结论为绝热量子计算机的制造提供了理论依据,也为新方案的实验设计提供了思路和方向。
从天津大学获悉,该校胡清华教授团队近日在人工智能深度学习领域取得重要进展,首次提出“广义多视图学习框架”理论,有望改良“机器深度学习”局限性,创造真正实现“早期融合、分析思考”的“智能大脑”。相关研究在新一期全球人工智能领域权威期刊《IEEE模式分析与机器智能汇刊》发表。

深度学习是让机器变得更加智能的计算方法,其原理即针对图像、声音和文本等数据进行表征学习,模仿人脑机制来解释这些数据,从大量实例中获取数据、学习任务、分析结论。目前,主流的深度学习算法“并不聪明”,存在着分析结论片面、难以得出规律性认识等缺陷。如何将复杂的多源信息协同起来进行数据分析?如何让机器实现“眼观六路、耳听八方、融合思考”?这是深度学习算法研究面临的艰巨挑战。

胡清华团队率先提出的“广义多视图学习框架”算法,创新性地提出了“多源信息早期融合、与特定任务联合学习,拓展信息融合方向”的研究思路。与以往的人工智能深度学习算法相比,“广义多视图学习框架”的创新主要有两方面:一是实现了跨平台、跨维度的信息“早期融合”,将不同领域的大数据汇总成为立体的“综合网络”;二是构建了让机器“自觉学习”的数学模型,不再对大量数据进行“堆砌式分析”,而是通过对综合网络数据的合理分析,得出精简的规律性认识,甚至能够对复杂任务进行预测和判断,有望实现机器从“深度学习”到“融合思考”的飞跃。