人工智能的核心是機器學習，而近幾年，在機器學習領域冉冉升起了一枚新星，生成性對抗網絡（GAN，Generative Adversarial Networks），由 Goodfellow 等人于2014年提出，目前在圖像鑒别和視訊生成等方面都有大量的應用執行個體。GAN的基本思想源自博弈論的零和遊戲，參與者由一個生成器 G（Generator）和一個鑒别器D（Discriminator）構成，它們通過對抗學習的方法來訓練。G的目的是盡量去學習真實資料集 R的資料分布，而D的目的是盡量正确判别輸入資料是來自R還是來G。為了取得遊戲勝利，這兩個遊戲參與者需要不斷優化自身政策，提高自己的生成能力和判别能力，整個學習優化過程就是尋找二者之間的一個納什均衡（Nash equilibrium）。
但是，和機器學習的其它算法一樣，GAN面臨的最大問題就是所謂的“維數災難”，即學習所需要的訓練集數量是随着維數指數增長的。如果我們面臨的資料存在于高維空間，那麼經典計算機将很快便不能有效處理。幸好我們擁有以量子力學規律主導的新型計算方式，即量子計算，它可以解決經典計算機無法解決或者複雜度過高的諸多問題。一個明确的應用是量子計算機利用Shor量子算法可以破解現在網際網路及金融系統普遍使用的RSA公鑰密碼體制。在實用性方面，量子搜尋算法可以期望應用于大資料檢索；量子退火算法可以應用于優化問題，比如物流和交通優化等；量子模拟可以被應用于量子多體實體和量子化學研究，比如生物合成和藥物篩選等。相比其它體系，超導量子計算這一技術路線在實用化量子計算方向具有優勢地位。
那麼，我們是否可以将 GAN 與量子計算結合起來，設計一種更高效的量子生成性對抗網絡（QGAN，Quantum Generative Adversarial Networks）算法呢？這個概念最先由 Dallaire-Demers等人提出，其基本原理與GAN類似, 差別在于這裡G和D是由量子電路或者量子網絡構成，訓練用的資料集也可以是量子資料 (如量子态等)。至今在超導量子計算平台關于 QGAN 的展示局限于單比特量子态的學習，而且其梯度計算仍為經典的差分方式，使得計算精度受固有的差分誤差影響，進而影響最後訓練的收斂性。與此同時，能夠展現量子性質并且作為實作量子霸權的重要資源的量子糾纏并沒有在已有的研究中展現。
近日，中國科學院實體研究所/北京凝聚态實體國家研究中心範桁、許凱課題組和鄭東甯課題組等，聯合南開大學田建國、劉智波課題組，浙江大學王浩華課題組和清華大學鄧東靈課題組，首次将 QGAN 算法推廣到了更多的比特範疇并引入了多體糾纏，并且首次在超導量子計算平台中實作了由量子梯度引導的 QGAN訓練。
該實驗中使用包含20個量子比特的全聯通架構的量子晶片，在該晶片上已經實作了包括20比特薛定谔貓态制備、動力學相變的模拟等一些高水準工作。本次實驗用到了其中的 5個量子比特，相應的量子算法如圖1所示，其中包括多個單比特量子門，多個多比特糾纏門以及多個兩比特控制門，其線路深度超過20，實驗中需要根據量子梯度引導去不斷優化單比特量子門參數。為了測試量子梯度的可行性，研究人員首先嘗試訓練了一個任意單比特混态，在經過140步左右的訓練後，其生成的量子态相對于真實情況保真度為0.999, 見圖2。在該基礎上，他們将學習目标更改為更加複雜的兩比特異或門，通過大約190步的訓練，研究人員以 0.927的保真度重制了異或門的真值表，見圖3。這表明QGAN在複雜的量子過程學習方面有很大的潛力，随系統規模增大，它可以直接擴充到優化控制和自引導量子層析成像等領域。
圖1. （a）QGAN 流程圖。（b）全聯通樣品晶片簡易示意圖。（c）QGAN 實際算法電路圖，其中品紅色部分為量子梯度計算電路。
圖2. （a）任意單量子比特混态訓練結果。（b）訓練得到的和真實密度矩陣的對比，其保真度可達0.999。
圖3. （a）異或門訓練結果。訓練的真值表保真度為0.927。（b）訓練過程中兩個特征單比特量子門參數的變化。
此項工作已于近期發表于npj Quantum Information 7, 165 (2021)，南開大學聯合培養博士生黃凱旋，Q03組博士生王正安，以及浙江大學宋超特聘教授為論文的共同第一作者。合作團隊還包括浙江大學博士後李賀康（量子晶片制備者）、浙江大學特聘教授王震、浙江大學杭州國際科創中心科創百人研究員郭秋江、浙江大學碩士生宋紫璇等。
另外，中科院實體研究所許凱副研究員、範桁研究員、鄭東甯研究員等與福州大學鄭仕标教授、楊貞标教授課題組合作，利用兩個超導量子比特及其輔助能級實作了非阿貝爾幾何受控非門，相關成果發表于Optica 8, 972 (2021).
中科院實體研究所範桁研究員、博士生孫政杭與中國科學技術大學朱曉波研究員、潘建偉教授等合作，利用一維排列的12個超導量子比特，通過制備不同的初态，對應于不同的溫度，實作了熱化強弱程度不同現象的實驗觀測，相關成果發表于Phys. Rev. Lett. 127, 020602 (2021)。
參考文獻：
[1] Kaixuan Huang#, Zheng-An Wang#, Chao Song#, Kai Xu, Hekang Li, Zhen Wang, Qiujiang Guo, Zixuan Song, Zhi-Bo Liu*, Dongning Zheng, Dong-Ling Deng*, H. Wang, Jian-Guo Tian, Heng Fan*, Quantum generative adversarial networks with multiple superconducting qubits, npj Quantum Information 7, 165 (2021).
[2] Kai Xu, Wen Ning, Xin-Jie Huang, Pie-Rong Han, Hekang Li, Zhen-Biao Yang*, Dongning Zheng, Heng Fan*, Shi-Biao Zheng*, Demonstration of a non-Abelian geometric controlled-NOT gate in a superconducting circuit, Optica 8, 972-976 (2021).
[3] Fusheng Chen#, Zheng-Hang Sun#, Ming Gong#, Qingling Zhu, Yu-Ran Zhang, Yulin Wu, Yangsen Ye, Chen Zha, Shaowei Li, Shaojun Guo, Haoran Qian, He-Liang Huang, Jiale Yu, Hui Deng, Hao Rong, Jin Lin, Yu Xu, Lihua Sun, Cheng Guo, Na Li, Futian Liang, Cheng-Zhi Peng, Heng Fan*, Xiaobo Zhu*, Jian-Wei Pan, Observation of strong and weak thermalization in a superconducting quantum processor, Phys. Rev. Lett. 127, 020602 (2021).
編輯：just_iu