量子計算機雖然強大，但應用領域有限。清華叉院孫麓巖團隊在超導電路上實現了量子生成對抗網絡，精度高達98.8%，這項工作有望證明量子計算機在圖像生成等領域超越經典計算機，將是量子機器學習的又一里程碑。

量子機器學習的新里程碑！

清華大學孫麓巖團隊提出了“量子版”的生成對抗網絡，并且證明了與經典的對應方法相比，具有潛在的“指數級”優勢。

最近，孫麓巖團隊的研究登上了Science Advances，論文首次介紹了超導量子電路中量子生成對抗學習的原理證明及實驗演示。

研究結果表明，經過幾輪對抗學習，可以訓練一個量子態的發生器，對量子信道模擬器輸出的量子數據進行統計復制，并且具有98.8%的高保真度，使得鑒別器無法區分真實數據和生成數據。

值得注意的是，證明“量子霸權”通常被認為需要至少50個量子比特，但該團隊的研究使用的系統只有一個量子比特。

首次證明量子計算能利用GAN

生成對抗網絡（GAN）由兩個神經網絡構成，即生成器和鑒別器。

生成器會生成數據，例如人臉圖片；鑒別器既可以得到真實數據，也可以得到生成器創建的假數據，而且必須分辨出真假。它倆經過多輪的循環，最終生成器得到了更新，學會了如何產生更為逼真的圖像，使得鑒別器無法再區分其真假。

而GAN也是近年來機器學習領域最令人興奮的突破之一。它在圖像、視頻生成等各種具有挑戰性的任務中表現突出，例如，能夠生成無比逼真的人臉照片，以假亂真。

GAN生成的照片

從理論上講，量子計算機在解決某些問題（如分解大數）方面比普通計算機具有速度優勢。

“但就目前的技術水平而言，量子計算機還無法達到這一優勢?！睂O麓巖說。

研究人員認為，量子計算機上的GAN也可能具有這樣的速度優勢，但他們仍然需要明確證明這一點。

于是，利用量子生成器和鑒別器制造出一種量子GAN，成為證明“量子霸權”的又一案例。

量子生成對抗網絡QGAN：準確率98.8%

孫麓巖團隊實驗性地演示了生成對抗網絡的量子版本——QGAN，其中輸入和輸出數據都是量子比特。

生成器G由一個超導電路構成，能夠生成一個隨機純量子態的集合ρ，模擬真正的量子數據σ。其中，輸入的量子數據由一個數字量子比特信道模擬器隨機生成。

鑒別器D則由一個專門衡量相關映射的量子設備構成，能夠生成衡量映射的結果M。

接下來的過程就與普通的生成對抗網絡(GAN)一樣，生成器G不斷生成虛擬數據ρ，然后鑒別器D則不斷生成衡量ρ和衡量σ的結果，試圖區分ρ和σ，反過來優化生成器的生成結果，最終致使D無法區分ρ和σ。

量子生成對抗網絡QGAN的示意圖：(a)量子生成器G和量子鑒別器D，G生成一個模擬量子態ρ，真實量子態σ則由模擬器隨機生成；(b) D得到輸入數據后，通過衡量機制判斷模擬數據ρ 和真實量子態σ 的不同。

研究人員構建的這個量子GAN算法執行示意圖如下：

σ 作為原始量子數據，ρ 作為模擬量子態分布，所以是一個概率分布。其中，衡量結果的差異β和γ通過FPGA陣列實現。

QGAN算法的實驗協議

實驗證實了生成器確實能夠學會數據量子數據的模式 (pattern)，并生成幾乎與真實量子數據一樣的量子態。

不僅如此，研究人員在論文中指出，他們最高能夠取得98.8%的準確率。

量子計算機有望在圖像生成上實現量子霸權

研究人員得出結論，由于QGAN實驗中既不需要量子隨機存儲設備，也不需要通用量子計算設備或對任何參數進行微調，因此可以認為，在不遠的未來，量子設備就能實現可用的、含有噪音的中型量子應用。

什么是“含有噪音的中型量子”？去年，加州理工大學理論物理學家、“量子霸權 ”概念提出者 John Preskill 指出，在實現 50~100 量子比特的中型量子計算機后，人類就可以用其探索更多經典計算機無法探索的研究領域，也將由此邁進一個新的量子技術發展期，他將其稱之為“含噪聲的中型量子” (Noisy Intermediate-Scale Quantum, NISQ) 時代。

計算機體系結構頂會 MICRO 2017 的最佳論文獎，授予了這樣一項工作，論文提出了一種控制超導量子計算機的微體系結構，首次有機連接了量子軟件和硬件，讓傳統處理器的設計技術能夠為量子控制處理器所用。

清華大學的這項實驗工作的意義就在于，首次在超導量子電路 (屬于NISQ設備) 上實現了量子GAN，鑒于GAN在圖像生成等應用上的強大性能，這有望實現圖像生成的“量子霸權”，也即用量子計算機生成圖像比經典計算機更快更強。

結合MICRO 2017的最佳論文獎研究，或許能夠加速清華大學這項工作實現圖像量子霸權。想一想，不是很令人激動嗎？