近日，国际综合性期刊《自然•通讯》（Nature Communications）在线发表了武汉大学计算机学院在量子人工智能理论方面的最新研究成果。论文题为：“Transition Role of Entangled Data in Quantum Machine Learning”（纠缠数据在量子机器学习中的相变行为）。武汉大学为论文第一署名单位和通讯作者单位，计算机学院2021级博士研究生王新彪为论文第一作者，罗勇教授为通讯作者。这是武汉大学量子机器学习方向研究成果首次刊登在Nature Communications期刊上。
武汉大学计算机学院2021级博士研究生王新彪表示，这项研究的基础是量子纠缠现象。量子纠缠是量子力学中的一个特有的现象。一般会解释为两个物理粒子不管相距多远，他们之间的状态会相互影响。王新彪举个简单的例子，“当你和朋友处在任何两个不同的地方，不论相隔多远，你们两个人都能同时知道对方所在城市的天气情况。这就可以理解为非常实例化的量子纠缠。”
量子纠缠的这种特性使得量子态具有强大的信息存储能力。王新彪解释道，现有的计算机数据都是经典数据，是确定性数据，只有一种可能，但量子数据则是不确定性数据，如同“薛定谔的猫”，在没有打开“黑盒”时，数据就是不确定性的纠缠叠加状态，存在N种可能。这N种可能的数据量相对于经典数据的数据量而言，是指数级的。
这种强大的信息存储量，在人工智能领域，被认为提升机器学习模型性能的关键要素。传统思想认为，提高量子纠缠程度，有助于提升量子机器学习模型的性能。而武汉大学此次的研究则颠覆了这一认知，首次证明量子数据的纠缠程度对预测误差的影响表现出双重效应。王新彪说：“纠缠数据对我们机器学习性能的影响既可能是积极的，也可能是消极的。在量子数据中使用量子纠缠是把双刃剑。一方面，它能够存储较无纠缠量子数据更多的信息量；另一方面，我们需要通过测量量子态获取信息，但是测量高纠缠的量子数据会有一定的难度，单次测量从量子纠缠数据里面获取的信息量会比低纠缠数据更少，会降低量子机器学习模型的性能。”
武汉大学团队从理论上分析了量子机器学习模型中量子数据的以下三种不同要素对模型性能的影响，即量子数据的纠缠程度，量子数据的数量，以及用于获取量子数据中经典信息测量次数。最后发现，决定量子纠缠是否提升量子机器学习性能的关键在于允许的测量次数。王新彪表示，“所以我们在利用量子机器学习模型完成实际任务的过程中，应该根据不同实验条件谨慎使用量子纠缠数据，而不是一味地使用高纠缠的量子数据。”
这一研究对于合理、高效使用稀缺量子资源具有重要意义，也为研究量子过程层析、量子误差缓解等问题提供一种新的分析方法，远期看为我国量子科学从研究走向量子通信、量子加密、量子化学或量子材料科学等应用领域又近了一步。
记者张昀、卫未，通讯员武柳青
网友看法
1、网友无限水：又突破。遥遥领先。[赞][赞]
2、网友拓扑流形红房子：转发了
3、网友人生过客对对对：转发了
4、网友DCF9000：高校论文已经玄学化，确实高校出成果已经不现实了，还是老老实实当个教书匠吧，别瞎折腾了。也没必要招那么多的研究生，没啥研究了。
