清華大學量子信息中心段路明教授和其博士研究生郜勛、張正宇發現具有指數加速的量子機器學習算法，展示了量子計算機在人工智能研究領域中的巨大潛力，該成果的研究論文 A quantum machine learning algorithm based on generative models 近日發表于科學子刊Science Advances（《科學?進展》）上。

量子生成模型示意圖

人工智能研究的突破依賴于更強大的計算機和更高效的算法，基于量子并行原理的量子計算機提供了一種與經典超算完全不同的計算方式，能否用量子計算機來加速人工智能算法是一個很自然的問題。但是量子計算機并非對各種問題自動擁有量子加速，加速的可能性依賴于針對特定問題精巧的量子算法設計。量子計算機研究的一個核心方向是在重要應用領域找到具有指數加速可能的算法。指數加速不同于經典超算中的常數倍加速，它的特點是，加速的倍數隨著問題的規模（例如輸入比特的數目）以指數函數形式迅速增長。指數加速賦予了量子計算機一種無與倫比的超能力，但這種超能力并非在各應用領域普遍存在。事實上，迄今發現的具有指數加速可能的量子算法只有寥寥幾個，每個具有指數加速能力的量子算法的發現，都是量子計算機研究的重要突破，往往開拓量子計算機的一大應用領域。

段路明研究組發現了一種具有指數加速可能的基于生成模型的量子機器學習算法。機器學習是人工智能領域近期最成功的方法，通過機器學習算法，計算機能夠從數據中自動尋找并學習到特定的模式和規律，并最終將其推廣到未知的數據加以利用。如今機器學習已經在計算機視覺、自然語言處理、自動駕駛、游戲對抗等諸多領域有了十分廣泛的應用。生成模型是機器學習中一類非常重要的模型。它通過一種全局的眼光看待數據集，是對所有數據共同概率分布的刻畫，一般用來生成與實際數據有相同模式的人造數據，在諸多機器學習任務中有著不可替代的作用，例如近期熱門的生成對抗網絡（GAN）即屬于經典的生成模型。

基于量子生成模型的機器學習算法示意圖

段路明、郜勛等首次提出了一種基于優化多體量子糾纏態的量子生成模型，并證明了該量子生成模型在學習能力與預測能力方面都存在指數加速。量子生成模型中，經典圖中表示概率的參數由正實數擴大至復數域，這種新的量子圖模型所需的參數個數相比于經典圖模型（包括貝葉斯網絡、馬爾科夫隨機場、玻爾茲曼機、深度信念網絡等）有指數量級的減少，這對于生成模型來說，在空間和時間的效率上都是巨大的優勢。段路明研究組提出了能實際有效利用這種新型圖模型的啟發式量子機器學習算法。此算法將生成模型的推斷和訓練問題，轉化成量子多體哈密頓量的基態制備問題，并由此可以證明量子算法的指數加速。

該論文的第一作者和通訊作者分別是清華交叉信息研究院的博士研究生郜勛和姚期智講座教授段路明，此項目得到教育部和清華大學的經費支持。