來自中國科大的消息顯示，中國科大中國科學院微觀磁共振重點實驗室杜江峰、王亞、李兆凱等人在量子機器學習研究中取得重要進展，研發出新型量子特徵提取演算法，實驗實現了對未知量子系統矩陣的分析與資訊提取。

機器學習是指使用計算機從大量歷史數據中挖掘隱含規律，並用於後續預測或者分類的過程。 機器學習是人工智慧的核心。 為了成功完成特定任務，人工智慧往往需要大量數據用於總結與分類，這對計算機系統的存儲與處理能力提出了很高的要求。

量子機器學習可以將量子演算法的並行加速特性應用於人工智慧領域中，提升人工智慧系統的效率與能力，有望在未來實現基於量子系統的人工智慧。

據瞭解，杜江峰院士團隊自 2012 年以來率先開展了量子人工智慧的實驗研究相關工作如量子手寫識別是量子人工智慧應用於實際問題的最早案例，展示了量子技術加速人工智慧問題的潛力;特徵值檢測、線性方程組求解等技術為機器學習中的數據運算提供了快速有效的量子方法。

此前的工作及國際上的相關實驗研究，多集中在如何處理較理想的數據集。 但無論是使用經典還是量子計算機進行機器學習，在獲得類似數據集之前都需要對原始數據進行分析和預處理，提取出其中的核心資訊用以學習與總結規律。 這一過程被稱之為數據特徵提取，是量子人工智慧運行的關鍵步驟。

其中，使用量子演算法進行特徵提取的理論思路最早於 2014 年提出，但由於其原始設想基於量子相位估計演算法，需要大量量子比特作為輔助寄存器，因此一直未能在真實實驗體系中予以實現。

為解決這一限制，杜江峰院士研究團隊開發出新型基於共振的量子主成分分析技術，將輔助量子比特的需求降低到1個，大大降低實驗難度;同時，為減少實際實驗中的雜訊干擾，該技術還可以結合量子相幹保護手段，有利於在實際量子處理器物理平臺上達到高精度與高效率的量子計算。

實驗中，研究人員使用金剛石氮-空位色心量子處理器，演示了對未知量子數據矩陣進行分析與處理的過程（如下圖）：

圖 A： 金剛石量子處理器上實現共振量子主成分分析的線路圖;

圖 B： 通過多次反覆運算，精確定位量子數據矩陣中不同成分的比例與資訊：實驗中，研究人員使用一個輔助比特作為探針進行掃描，精確定位了密度矩陣中不同成分的強度（圖中不同峰譜）。 通過多次反覆運算逼近，密度矩陣成分的定位誤差被降低到小於0.001，相當於原本10個輔助量子比特才能達到的精度;

圖 C： 處理前的原始量子數據：待研究的數據以量子密度矩陣的形式被輸入量子處理器，如圖，該數據矩陣包含 4 種不同成分且佔比各不相同（對應數據柱高度）。 特徵提取任務的目標是將該數據的關鍵特徵，即右側第一組佔比最高的成分提取出來，同時盡量去除其他三組數據或雜訊;

圖 D： 數據矩陣中的關鍵部分（右側第一列）被單獨提取並儲存：研究人員鎖定該數據矩陣的主要成分並將其隔離提取出來，得到的量子態即為輸入數據矩陣的關鍵特徵。

最終，實驗結果顯示，這一特徵提取過程達到了 90% 的提取精度與 86% 的提取效率，展示了該新技術在真實物理平臺上的適用性與精確性。

研究結果顯示此次研發的新技術可以實現對數據預處理過程的量子加速，高效率提取出量子數據矩陣中的關鍵特徵，用於後續進一步分類與識別。 該技術能夠提升機器學習的效率和效果，未來有望在較大規模量子處理器上得到應用。

該成果以 “Resonant Quantum Principal Component Analysis” 為題發表在近期的 Science Advances 上。 中國科學院微觀磁共振重點實驗室副研究員李兆凱、博士生柴梓華為該文共同第一作者，杜江峰院士和王亞教授為該文共同通訊作者。 該研究得到了科技部、國家自然科學基金委、中國科學院和安徽省等資助。