文|陈根
机器学习是人工智能发展到一定阶段的产物，其让拥有多个处理层的计算模型来学习具有多层次抽象的数据的表示，这些方法在许多方面都带来了显著的改善。可以说，深度学习的出现，让图像、语音等感知类问题取得了真正意义上的突破，将人工智能推进到一个新时代。
为了成功完成特定任务，人工智能往往需要大量数据用于总结与分类，这对计算机系统的存储与处理能力提出了很高的要求。而量子机器学习可以将量子算法的并行加速特性应用于人工智能领域中，提升人工智能系统的效率与能力。
传统的计算机确定性地使用被称为比特的0和1串来表示二进制代码中的信息。尽管传统计算机已发展成为复杂的机器，但仍有许多类型的问题它们不能有效地解决，包括推理、可逆逻辑、采样和优化，这导致了人们对替代计算方案的极大兴趣。
量子计算使用量子位来表示0和1的叠加，预计可以有效地执行这些任务。然而，退相干和当前对低温操作的要求，以及可实现的有限多体交互作用，都是相当大的挑战。
为了突破这一限制，近日，中国科学技术大学的研究人员研发出新型量子特征提取算法，实现了对未知量子系统矩阵的分析与信息提取。为减少实际实验中的噪声干扰，该技术还结合了量子相干保护手段，实现了高精度与高效率的量子计算。
研究人员使用金刚石氮-空位色心量子处理器，演示了对未知量子数据矩阵进行分析与处理的过程，该数据矩阵包含4种不同成分且占比各不相同（对应数据柱高度），待研究的数据以量子密度矩阵的形式被输入量子处理器。
通过多次迭代逼近，密度矩阵成分的定位误差被降低到小于0.001，相当于原本10个辅助量子比特才能达到的精度。其后，研究人员锁定该数据矩阵的主要成分并将其隔离提取出来，得到的量子态即为输入数据矩阵的关键特征。
结果表明，这一特征提取过程达到了90%的提取精度与86%的提取效率，展示了该新技术在真实物理平台上的适用性与精确性。
总的来说，该技术实现了对数据预处理过程的量子加速，可用于后续进一步的分类与识别，未来有望在较大规模的量子处理器上得到应用。
