記者近日從中國科學技術大學獲悉，該校郭光燦院士團隊成員李傳鋒、許金時等與國內同行合作，將機器學習技術應用于研究量子力學基礎問題，首次實驗實現了基于機器學習算法的多重非經典關聯的同時分類。該成果日前發(fā)表在國際物理學權威期刊《物理評論快報》上。
愛因斯坦、波多爾斯基和羅森等人質疑量子力學完備性，后來被稱為EPR佯謬。隨著對EPR佯謬的深入研究，人們逐漸理解愛因斯坦所指的“幽靈般的超距作用”來源于量子世界的非定域關聯，并且它還可以進一步細分為量子糾纏、量子導引和貝爾非定域性等層次。各種不同的量子關聯已經成為量子信息領域的關鍵資源，并扮演著重要的角色。
然而，刻畫任意給定的一個量子態(tài)中的非經典關聯仍存在巨大挑戰(zhàn)。首先是其計算極其復雜。其次是實驗上數據采集時間隨著系統(tǒng)粒子增加呈指數增加。最后，人們并不清楚是否存在一個統(tǒng)一的框架，可以通過相同的測量或可觀測量的集合，實現所有這些非經典關聯的同時區(qū)分。
機器學習可通過一系列的訓練數據，得到一個可輸出預測結果的函數或模型。通過巧妙的實驗設計，在光學系統(tǒng)中制備出一簇參數可調的2比特量子態(tài)。通過只輸入量子態(tài)的部分信息，利用神經網絡、支持向量機以及決策樹等機器學習模型對455個量子態(tài)的非經典關聯屬性進行學習，成功地實現了多重非經典關聯分類器。
實驗結果表明，基于機器學習算法的分類器能以大于90%的高匹配度同時識別量子糾纏、量子導引和貝爾非定域性等不同的量子關聯屬性，且無論在資源消耗還是時間復雜度上，都遠小于傳統(tǒng)判據所依賴的量子態(tài)層析方法。
該成果推動了人工智能與量子信息技術的深度交叉。未來，機器學習作為一種有效的分析工具，將有助于解決更多量子科學難題。