从中国科学技术大学获悉，中科院显微磁共振重点实验室的、王亚、李等人开发了一种新的量子特征提取算法，实现了未知量子系统矩阵的分析和信息提取。这个成果前几天发表在《科学进展》。
量子机器学习可以将量子算法的并行加速特性应用到人工智能领域，提高人工智能系统的效率和能力，有望在未来实现基于量子系统的人工智能。然而，无论是使用经典计算机还是量子计算机进行机器学习，在获取相似数据集之前，都需要对原始数据进行分析和预处理，提取核心信息来学习和总结规则。这个过程被称为数据特征提取，是量子人工智能运行的关键一步。
基于量子相位估计算法，需要大量的量子比特作为辅助寄存器，因此还没有在实际实验系统中实现。为了解决这一局限，研究团队开发了一种基于共振的新型量子主成分分析技术，将辅助量子比特的需求减少到一个，大大降低了实验难度。研究人员使用金刚石氮空位色心量子处理器，演示了分析和处理未知量子数据矩阵的过程。研究人员使用一个辅助位作为探针，扫描并精确定位密度矩阵中不同成分的强度。通过反复迭代逼近，密度矩阵分量的定位误差降低到0.001以内，相当于10个辅助量子比特的原始精度。之后，研究人员锁定数据矩阵的主要成分并进行分离提取，获得的量子态是输入数据矩阵的关键特征。实验结果表明，该特征提取过程达到了90%的提取准确率和86%的提取效率，表明了该新技术在真实物理平台上的适用性和准确性。
该成果开发的新技术可以实现数据预处理过程的量子加速，高效提取量子数据矩阵中的关键特征，并用于进一步分类识别，可以提高机器学习的效率和效果，有望在未来大规模量子处理器中得到应用。
