盲盒游戏也有量子版本？我国科学家实现机器学习的量子优越性

最近，中国科学家同时实现了机器学习和通信复杂性的量子优势。

人工微结构科学与技术协同创新中心固体微结构物理国家重点实验室南京大学物理学院尹华雷，陈增兵研究组首次证明了量子技术可以为机器学习提供具有量子优势的学习算法，并设计了量子版盲盒游戏，验证了量子券理论的潜在应用价值相关成果发表在美国科学杂志第一个合作期刊《研究》上

机器学习可以从数据中提取有用的信息和知识，对基础理论，先进技术和社会生产力都有很大的影响精确的量子态控制技术在通信安全，计算速度和测量精度方面已经显示出超越经典技术的量子优势利用量子技术改进机器学习或实现量子机器学习是最近几年来的研究热点，大量研究工作进行了创新探索

但之前的尝试大多是启发式的，并没有从理论上证明量子机器学习比经典机器学习有更好的性能或者更短的训练时间可能近似正确学习理论量化了学习算法有效学习任务所需的最小样本数因此，利用该理论研究量子机器学习，可以为探索机器学习中的量子优势奠定理论基础

2020年，荷兰阿姆斯特丹大学的研究团队和美国IBM的研究团队共同提出了量子券收集问题，并首次用PAC学习理论严格证明了该问题存在具有量子优势的学习算法具体来说，你要学习的所有目标函数的集合称为概念类，给定一个学习算法，它考虑的所有可能映射的集合称为假设空间在PAC学习中，如果空间和概念类完全相同，则它只是PAC可学习的，否则它是不完全PAC可学习的

一般来说，经典的和不恰当的PAC所能学习到的样本的复杂程度是不同的但是对于优惠券收集问题，在量子算法下，正确的PAC和错误的PAC学习所需的样本复杂度可以相同因此，量子优惠券收集算法是第一个展示基于PAC学习理论的经典和量子机器学习的根本区别的算法

原始量子券算法的实验演示需要高度复杂的单光子量子指纹态和远优于目前实验技术的高度非线性测量装置，才能实现超高维半正定算符测量。

此次，尹华雷和陈增兵研究组提出了相干态量子券协议，巧妙地将单光子量子指纹态转化为等价的相干态张量积形式，将单光子在维度上的振幅信息转化为时间盒中相干态的相位信息，从而利用线性光量子技术实验成功演示了量子券收集任务利用PAC学习理论，第一个实验证明了量子技术可以为机器学习提供具有量子优势的学习算法

用团队理论证明了机器学习的量子优势中相干量子券与原始量子券的等价性，从而可以用广泛使用的光量子通信技术来演示收集量子券的任务。

在实验中，需要尽量减少量子态干涉测量的噪声，包括:使用Sagnac干涉仪实现稳定的时间和相位对准，利用高精度相位调制技术实现高速相位精密制备，利用高度对称的保偏分数器件实现偏振和强度对准，采用高效率，超低暗计数的超导纳米线单光子探测器，实现了近乎完美的测量基于这些实验技术，团队最终清晰地展示了机器学习的量子优势

为了进一步展示量子券理论的潜在应用价值，团队针对年轻人喜欢的盲盒游戏设计了其量子版本，并成功进行了实验演示，充分展示了量子券理论的潜在应用价值以及量子技术在通信复杂度上的优势。

在盲盒游戏中，商家将不同图案的球放入不同的盒子中形成盲盒，并选取几乎所有的盒子作为盲盒套装，制作多套配置相同的盲盒套装客户只能从每套盲盒组中选择一个盲盒，以确认整套盲盒组中所有球的图案顾客每消费一套盲盒套装，就要支付一定的费用如果顾客猜对了，商家会给顾客一笔奖金，奖金的多少就是经典策略下消耗的盲盒套装的期望值

利用量子资源对盲盒进行编码，客户可以通过设计量子编码和量子测量来降低自己的成本，从而在游戏中获得更多的奖励量子优惠券的实验结果表明，量子协议可以有效减少学习多达14000个元素的优惠券所需的样本数量量子盲盒游戏的实验结果表明，客户通过为不同类型的盲盒套装选择合适的光照强度，总能降低成本，获得更多的奖励，这说明量子优惠券协议在这个游戏中消耗的资源比最优经典策略少

上述实验结果有力地证明，即使不使用多粒子纠缠态和量子门操纵，仅使用线性光学的量子技术，也能在机器学习和通信复杂度方面取得超越经典技术的量子优势。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。