我校郭光燦院士團隊在人工智能與量子力學基礎研究交叉領域取得重要進展。該實驗室李傳鋒、許金時等人與南方科技大學翁文康教授以及中科院重慶綠色智能技術研究院任昌亮研究員等人合作，將機器學習技術應用于研究量子力學基礎問題，首次實驗實現了基于機器學習算法的多重非經典關聯的同時分類。該成果于2019年11月6日發表于國際物理學權威期刊《物理評論快報》上。

1935年，愛因斯坦、波多爾斯基和羅森發表了著名的質疑量子力學完備性的文章，后來被稱為EPR佯謬。隨著薛定諤和貝爾等眾多科學家對EPR佯謬的深入研究，人們逐漸理解愛因斯坦所指的“幽靈般的超距作用”來源于量子世界的非定域關聯，并且它還可以進一步細分為量子糾纏（Quantum Entanglement），量子導引（Quantum Steering）和貝爾非定域性（Bell Nonlocality）等層次。另一方面，隨著量子信息研究的興起，各種不同的量子關聯已經成為量子信息領域的關鍵資源，在量子計算、量子通信和量子精密測量等過程中扮演著重要的角色。

然而刻畫任意給定的一個量子態中的非經典關聯仍然存在巨大挑戰。首先很多數學形式的判據對多體系統而言其計算極其復雜。其次已知的很多方法往往需要整個量子態的密度矩陣信息，從而實驗上需要完整的量子態層析，其數據采集時間隨著系統粒子增加會數指數增加。最后由于每種非經典關聯都有各自不同的判據，人們并不清楚是否存在一個統一的框架可以通過相同的測量或可觀測量的集合實現所有這些非經典關聯的同時區分。

機器學習是人工智能的一個重要的分支，通過一系列的訓練數據來得到一個可輸出預測結果的函數或模型。李傳鋒、許金時等人將機器學習技術應用于非經典關聯的區分，首次實驗實現了多重量子關聯的同時分類。他們通過巧妙的實驗設計，在光學系統中制備出一簇參數可調的兩比特量子態。通過只輸入量子態的部分信息（兩個可觀測量的值），利用神經網絡、支持向量機以及決策樹等機器學習模型對455個量子態的非經典關聯屬性進行學習，成功地實現了多重非經典關聯分類器。實驗結果表明基于機器學習算法的分類器能以大于90%的高匹配度同時識別量子糾纏、量子導引和貝爾非定域性等不同的量子關聯屬性，而且無論在資源消耗還是時間復雜度上都遠小于傳統判據所依賴的量子態層析方法。

量子信息與人工智能的融合是當前最熱門的研究方向之一，已經取得很多重要進展。這項工作在實驗上將機器學習算法應用于多重非經典關聯的同時區分，推動了人工智能與量子信息技術的深度交叉。未來，機器學習作為一種有效的分析工具，將有助于解決更多量子科學難題。

該論文共同第一作者是中科院量子信息重點實驗室博士生楊木（實驗）和中科院重慶綠色智能技術研究院任昌亮研究員（理論）。該工作得到了科技部、國家基金委、中國科學院、安徽省的支持。

圖1：非經典關聯分類實驗裝置圖

圖2：三種人工智能模型對非經典關聯進行分類的工作原理示意圖，（a）神經網絡，（b）支持向量機，（c）決策樹。