[论文解读] Quantum Learning Machine

Jeongho Bang, James Lim+2 more|ArXiv.org|Mar 20, 2008

Quantum Computing Algorithms and Architecture参考文献 1被引用 14

一句话总结

本文提出了一种量子学习机（QLeM），这是一种通过迭代学习不断调整酉操作的反馈控制体系，能够自主发现量子算法。该系统成功学习了Deutsch问题，对于300比特内存，其保真度接近0.989，展示了通过量子相干性控制实现自动量子算法发现的能力。

ABSTRACT

We propose a novel notion of a quantum learning machine for automatically controlling quantum coherence and for developing quantum algorithms. A quantum learning machine can be trained to learn a certain task with no a priori knowledge on its algorithm. As an example, it is demonstrated that the quantum learning machine learns Deutsch's task and finds itself a quantum algorithm, that is different from but equivalent to the original one.

研究动机与目标

• 开发一种无需事先了解算法的新型自动量子算法发现框架。
• 通过基于测量结果调整酉操作的反馈机制，实现量子相干性控制。
• 证明量子系统可通过迭代学习发现与已知算法（如Deutsch算法）等价的量子算法。
• 研究经典内存对加速学习过程和提高算法保真度的作用。
• 建立一种利用量子系统中自主学习的新范式，用于量子算法开发。

提出的方法

• QLeM架构由状态制备装置（P）、可调酉操作（U）、单次测量（M）以及具有经典内存（S）的反馈系统（F）组成。
• 反馈系统（F）通过经典信道传输测量结果（C_MF）和控制参数（C_FU），以调整酉操作U。
• 酉操作U被分解为三个子单元：U1（两量子比特）、U2（输入相关函数）和U3（单量子比特），其中U2编码任务函数f(x)。
• 学习过程以迭代方式进行：系统选择输入-目标对，对U1和U3应用随机初始参数，并根据测量结果更新参数，直至达到目标态。
• 系统采用1000次试验的量子蒙特卡洛模拟，估算学习概率P(n)和存活概率Q(n) = 1 - P(n)，并拟合为指数衰减形式e^{-(n-1)/n_c}。
• 保真度计算公式为𝒟 = (1/4)∑⟨t_x|ρ_x|t_x⟩，用于量化输出态与目标态的接近程度，结果对不同内存大小N进行1000次试验的平均。

实验结果

研究问题

• RQ1 量子系统能否在事先不了解算法的情况下，自主发现给定任务的量子算法？
• RQ2 经典内存的引入如何影响量子算法发现的收敛速度和成功率？
• RQ3 QLeM发现的量子算法在计算保真度上是否与已知最优算法（如Deutsch算法）等价？
• RQ4 特征学习时间n_c随经典内存大小N的缩放行为如何？
• RQ5 QLeM能否在保持量子并行性和酉演化的同时，通过反馈控制学习量子算法？

主要发现

• QLeM成功学习了Deutsch任务，当经典内存大小为300比特时，保真度达到0.989，表明接近完美的态制备。
• 存活概率Q(n)以e^{-(n-1)/n_c}形式呈指数衰减，证实了学习过程在有限时间内收敛。
• 特征学习时间n_c随内存大小N的缩放关系为n_c = A·N^D，其中D ≈ 3.46，A ≈ 10^{-1.06}，表明其对内存容量具有强烈依赖性。
• 学习完成后，酉操作U1被发现为两个单量子比特操作的乘积，与Deutsch原始算法中的Hadamard门不同，但功能等价。
• 学习过程具有鲁棒性和可重复性，随着内存大小增加，保真度趋近于1，证实系统能够收敛至高精度解。
• QLeM表明，通过反馈控制可实现量子算法发现的自动化，为发现新型量子算法开辟了新路径。