beat365官方网站在量子物理與機器學習研究方面取得進展

無監督生成模型是機器學習和人工智能的重要課題和研究前沿，也被認為是通用人工智能的基礎。曆史上，物理學為生成型學習提供了很多思想源泉，著名的玻爾茲曼機就來自于統計物理中的伊辛模型和相關的反伊辛問題。最近，beat365官方网站本科生韓兆宇、王峻及合作者從量子物理的玻恩诠釋中獲得啟發，用量子波函數的概率幅模平方來描述經典數據的概率分布，建立了一個新穎的非監督學習模型——玻恩學習機(BornMachine)。該成果已在線發表于世界知名物理學期刊Physical Review X（https://journals.aps.org/prx/abstract/10.1103/PhysRevX.8.031012）。

生成模型的研究重點是如何從給定的數據集合中學習到數據的聯合概率分布，以及從學習到的概率分布中高效地生成新的樣本。研究團隊提出将數據的聯合分布概率編碼成量子多體态的概率幅的模平方。進一步地，他們提出在經典計算機上使用矩陣乘積态(Matrix Product States)來模拟學習的過程。矩陣乘積态的參數，即張量網絡的張量元，可以通過類似密度矩陣重整化群(Density Matrix Renormalization Group)的算法進行學習，最終形成一個具有泛化能力的生成模型。這個學習算法結合了量子物理與機器學習各自的優點：它不僅可以利用GPU高效地學習到模型參數，還可以利用張量網絡的靈活性動态地調節模型表達能力。此外，與傳統的基于統計物理的生成模型（例如玻爾茲曼機）相比，玻恩學習機還具備直接生成無關聯樣本的強大能力，從而可以高效地生成新的數據。

基于量子态的概率生成模型融合了量子物理與機器學習的思想，是一個嶄新的研究領域。玻恩學習機借助量子态内禀的概率解釋及其強大的表達能力，意在為機器學習和人工智能提供更為先進的生成模型和學習算法。此外，這類模型在量子信息處理，量子計算以及多體物理中具有應用潛力。展望将來，最令人興奮的前景應該會是在一台量子計算機上實現玻恩學習機，從而以全新的方法進行概率型的學習和建模。這項工作用使用張量網絡模拟量子計算機的運行，向無監督量子機器學習邁近了一步。

此工作由beat365官方网站本科生韓兆宇、王峻，中科院物理研究所副研究員王磊、研究員範桁以及中科院理論物理研究所研究員張潘合作完成。王峻的工作受到國家創新訓練項目的支持。