清华大学量子信息中心段路明教授和其博士研究生郜勋、张正宇发现具有指数加速的量子机器学习算法，展示了量子计算机在人工智能研究领域中的巨大潜力，该成果的研究论文A quantum machine learning algorithm based on generative models近日发表于科学子刊Science Advances（《科学•进展》）上。
量子生成模型示意图
人工智能研究的突破依赖于更强大的计算机和更高效的算法，基于量子并行原理的量子计算机提供了一种与经典超算完全不同的计算方式，能否用量子计算机来加速人工智能算法是一个很自然的问题。但是量子计算机并非对各种问题自动拥有量子加速，加速的可能性依赖于针对特定问题精巧的量子算法设计。量子计算机研究的一个核心方向是在重要应用领域找到具有指数加速可能的算法。指数加速不同于经典超算中的常数倍加速，它的特点是，加速的倍数随着问题的规模（例如输入比特的数目）以指数函数形式迅速增长。指数加速赋予了量子计算机一种无与伦比的超能力，但这种超能力并非在各应用领域普遍存在。事实上，迄今发现的具有指数加速可能的量子算法只有寥寥几个，每个具有指数加速能力的量子算法的发现，都是量子计算机研究的重要突破，往往开拓量子计算机的一大应用领域。
段路明研究组发现了一种具有指数加速可能的基于生成模型的量子机器学习算法。机器学习是人工智能领域近期最成功的方法，通过机器学习算法，计算机能够从数据中自动寻找并学习到特定的模式和规律，并最终将其推广到未知的数据加以利用。如今机器学习已经在计算机视觉、自然语言处理、自动驾驶、游戏对抗等诸多领域有了十分广泛的应用。生成模型是机器学习中一类非常重要的模型。它通过一种全局的眼光看待数据集，是对所有数据共同概率分布的刻画，一般用来生成与实际数据有相同模式的人造数据，在诸多机器学习任务中有着不可替代的作用，例如近期热门的生成对抗网络（GAN）即属于经典的生成模型。
基于量子生成模型的机器学习算法示意图
段路明、郜勋等首次提出了一种基于优化多体量子纠缠态的量子生成模型，并证明了该量子生成模型在学习能力与预测能力方面都存在指数加速。量子生成模型中，经典图中表示概率的参数由正实数扩大至复数域，这种新的量子图模型所需的参数个数相比于经典图模型（包括贝叶斯网络、马尔科夫随机场、玻尔兹曼机、深度信念网络等）有指数量级的减少，这对于生成模型来说，在空间和时间的效率上都是巨大的优势。段路明研究组提出了能实际有效利用这种新型图模型的启发式量子机器学习算法。此算法将生成模型的推断和训练问题，转化成量子多体哈密顿量的基态制备问题，并由此可以证明量子算法的指数加速。
该论文的第一作者和通讯作者分别是清华交叉信息研究院的博士研究生郜勋和姚期智讲座教授段路明，此项目得到教育部和清华大学的经费支持。
