近日，清华大学交叉信息研究院孙麓岩、邓东灵研究组与中国科学技术大学邹长铃研究组合作，在超导系统中首次实验实现了量子生成对抗学习，展示了量子器件应用于人工智能领域中的可行性及巨大潜力。该成果论文《Quantum generative adversarial learning in a superconducting quantum circuit》近日发表于科学子刊Science Advances（《科学•进展》）上。

人工智能的核心是机器学习, 而生成式对抗网络(GAN, Generative adversarial Networks)是近年来机器学习领域最具前景的方法之一。一般说来，机器学习的模型大体可以分成两类：生成模型(Generative model) 和判别模型(Discriminative model)。举个简单的例子，给定一张图片，判断这张图片里的动物是猫还是狗，这是判别模型；给定一系列狗的图片，要求生成一张新的，不在已有数据集里的狗的图片，这是生成模型。

Figure 1： 量子生成对抗网络示意图。

GAN是一类非常重要的生成模型，由Goodfellow等人于2014年提出。GAN在很多方面特别是生成图像、视频等有极为重要的应用。GAN的原理比较简单，可以通过生成图片为例来理解：GAN通常包含两个部分，生成器和判别器。判别器是一个判别图片的网络，它随机接收一张图片，此图片可能来自于训练的数据集（称为真实的）也可能是生成器产生的（称为假的），它的目标是以最大概率区分图片到底是真的还是假的。生成器是一个生成图片的网络，它的目标是生成尽可能逼真的图片来迷惑判别器。这样，生成器和判别器构成了一个动态的“博弈过程”，博弈的最终结果是生成器可以生成足以“以假乱真”的图片，判别器难以判断生成的图片是不是真实的。

量子生成对抗网络(QGAN, quantum generative adversarial network) 基本原理与经典的GAN是一样的，区别在于这里生成器和判别器是由量子器件或者量子网络构成，训练用的数据集也可以是量子数据(如量子态等)。孙麓岩课题组与合作者在超导系统中首次实现了GAN，展示了从量子数据集中学习有用模式的可行性。在此实验中，生成器由一个能以一定概率分布产生量子态系综的超导量子线路组成，判别器是一个可以做投影测量的量子器件，训练用的真实数据集由一个量子通道模拟器产生。

Figure 2： 量子生成对抗网络实验方案图。

实验结果表明，通过多轮对抗学习后，生成器产生的量子数据越来越逼近真实的量子数据，最终达到平均98%以上的保真度，从而使得判别器无法区分生成器产生的数据。此实验为今后研究中等尺度量子器件在机器学习方面的量子优势打下铺垫，可能对量子人工智能领域的发展产生深远影响。

该论文共同通讯作者为孙麓岩副教授、邓东灵助理教授、以及邹长铃特任副研究员。胡玲、吴书豪为文章共同一作，其他作者还包括蔡伟州、马雨玮、穆相豪、徐源、王海燕、宋祎璞等。此项目得到了国家重点基础研究发展计划、国家自然科学基金、量子通信与量子计算机重大项目安徽省引导性项目、清华大学启动经费等支持。

论文链接：Sci. Adv. 5, eaav2761 (2019) http://advances.sciencemag.org/content/5/1/eaav2761.full