[论文解读] Quantum Pattern Recognition With Liquid State NMR

Rodion Neigovzen, Jorge Luiz Neves+2 more|arXiv (Cornell University)|Feb 12, 2008

Quantum Computing Algorithms and Architecture被引用 5

一句话总结

本文提出了一种将霍普菲尔德神经网络与绝热量子计算相结合的量子模式识别方案，利用问题哈密顿量同时编码输入模式和记忆中的模式。在两量子比特液态核磁共振（NMR）系统中，该方案成功实现了多个识别模式的量子叠加，展示了其相对于经典对应方法的关键量子优势。

ABSTRACT

A novel quantum pattern recognition scheme is presented, which combines the idea of a classic Hopfield neural network with adiabatic quantum computation. Both the input and the memorized patterns are represented by means of the problem Hamiltonian. In contrast to classic neural networks, the algorithm can return a quantum superposition of multiple recognized patterns. A proof of principle for the algorithm for two qubits is provided using a liquid state NMR quantum computer.

研究动机与目标

• 开发一种量子算法，将经典霍普菲尔德网络扩展到量子领域，用于模式识别。
• 利用绝热量子计算实现对多个存储模式的叠加识别。
• 使用液态核磁共振（NMR）量子处理器作为原理验证，证明该方案的可行性。
• 探索量子哈密顿量在统一框架内同时编码输入模式和记忆模式的潜力。

提出的方法

• 该算法将输入模式和记忆模式作为单一问题哈密顿量的组成部分进行编码。
• 采用绝热量子计算，将系统从一个简单的初始哈密顿量演化到最终的问题哈密顿量，后者编码了识别任务。
• 最终哈密顿量的基态对应于识别模式的量子叠加态。
• 系统初始化为横向场哈密顿量的基态，并缓慢演化至问题哈密顿量，以保持绝热性。
• 通过测量最终态提取识别结果，该态坍缩为有效模式匹配的叠加态。
• 采用两量子比特液态核磁共振（NMR）量子计算机实验实现并验证了该协议。

实验结果

研究问题

• RQ1 能否利用绝热量子计算实现多个识别模式的量子叠加模式识别？
• RQ2 如何在单个量子哈密顿量中同时编码输入模式和记忆模式以实现识别？
• RQ3 该方案在可扩展的、物理可实现的量子系统（如液态核磁共振）中是否可行？
• RQ4 与经典神经网络相比，该量子方法在同时识别多个模式方面是否具有优势？
• RQ5 绝热演化过程如何在计算过程中保持所需的叠加态？

主要发现

• 所提出的方案成功生成了多个识别模式的量子叠加，展示了相对于经典霍普菲尔德网络的核心量子优势。
• 在液态核磁共振平台上的两量子比特实现验证了该算法在物理可实现量子系统中的可行性。
• 问题哈密顿量有效编码了输入模式和存储模式，实现了在单一量子框架内的统一识别。
• 绝热演化过程保持了所需的量子态，确保系统演化至对应于识别模式的基态。
• 实验结果验证了理论设计，表明量子系统可通过叠加态同时识别多个模式。