人工智能的核心是机器学习。近年来，随着机器学习领域新星的兴起，生成对抗网络(GAN，GENERATIVE ADVERSARIAL NETWORKS GAN)的基本思想源于博弈论中的零和游戏G的目的是尽可能多地学习实际数据集R的数据分布，D的目的是尽可能准确地判断输入数据来自R还是来自G。这两个游戏参与者为了赢得游戏，必须不断优化自己的战略，提高自己的生成能力和判别能力。整个学习优化过程是寻找两者之间的纳什均衡。
但是和机器学习的其他算法一样，GAN面临的最大问题是所谓的“维度灾难”。也就是说，学习所需的训练集的数量会随着维度指数而增加。如果我们面临的数据存在于高维空间，经典计算机很快就不会得到有效处理。幸运的是，我们有一种新的计算方法，即量子计算，由量子力学定律驱动，可以解决经典计算机无法解决的很多问题，或者复杂性太高。一个明确的应用是，量子计算机可以利用Shor量子算法破解当前互联网和金融系统中常用的RSA公钥密码系统。就实用性而言，量子搜索算法可以期待应用于大数据搜索。量子退火算法可以应用于物流和交通优化等优化问题。量子模拟可以应用于量子多体物理和量子化学研究，如生物合成和药物筛选。超导量子计算这条技术路线与其他系统相比，在实用化量子计算方向上占据优势地位。
那么，我们能否将GAN和量子计算结合起来，设计出更高效的量子生成对抗网络(QGAN)算法？这个概念首先在D Allaire-DE mers(中东呼吸系统综合症)等地提出。其基本原理与GAN相似。其中G和D是由量子电路或量子网络组成的，训练用数据集也可以是量子数据(例如量子状态等)。到目前为止，超导量子计算平台上对QGAN的展示仅限于对单比特量子状态的学习，梯度计算仍然是经典的差异方法，计算精度受到固有差异误差的影响，影响了最终训练的收敛。与此同时，反映双边性质、实现双边霸权的重要资源——双边纠缠——没有反映在现有的研究中。
最近，中国科学院物理研究所/北京凝聚物理国家研究中心泛桁架、许开课题组、郑东宁课题组等联合东南大学钱建国、刘志宝课题组、浙江大学王浩华课题组、清华大学邓冬龄课题组，首次将QGAN算法扩大到更多位类别，引入多体纠缠，首次在超导量子计算平台上实现了两者。
这个实验使用了包含20个量子比特的整个联通体系结构的量子芯片，该芯片已经完成了20位薛定谔猫状态准备、动力学相变模拟等高级工作。在本实验中，使用了其中的5个量子位，相应的量子算法如图1所示。其中包括多个单比特量子门、多个多比特纠缠门和多个双比特控制门。线路深度超过20。在实验中，应根据量子梯度指导，不断优化单比特量子门参数。为了测试量子梯度的可行性，研究人员首先尝试训练任意单比特混态，经过140步左右的训练后，结果产生的量子状态与实际情况相比，保真度为0.999。请参见图2。在此基础上，将学习目标改为更复杂的2位异性或门，经过约190个阶段的训练，研究人员以0.927的逼真度再现了异性或门的真价表。请参见图3。这表明，QGAN在复杂的量子过程学习中具有很大的潜力，随着系统规模的扩大，可以直接扩展到优化控制和自启动量子层析成像领域。
图1。(一)QGAN流程图(二)联通样品芯片的简单示意图。(三)QGAN实际算法原理图。其中紫红色部分是量子梯度计算电路。
图2。(一)任意单量子位混合训练结果(二)与实际密度矩阵相比，训练的保真度可达到0.999。
图3。(a)异种或门训练的结果。训练的真值表保真度为0.927。(B)训练过程中两个特征：单比特量子门参数的变化。
这项工作最近发布在npj Quantum Information 7上
, 165 (2021)，南开大学联合培养博士生黄凯旋，Q03组博士生王正安，以及浙江大学宋超特聘教授为论文的共同第一作者。合作团队还包括浙江大学博士后李贺康（量子芯片制备者）、浙江大学特聘教授王震、浙江大学杭州国际科创中心科创百人研究员郭秋江、浙江大学硕士生宋紫璇等。另外，中科院物理研究所许凯副研究员、范桁研究员、郑东宁研究员等与福州大学郑仕标教授、杨贞标教授课题组合作，利用两个超导量子比特及其辅助能级实现了非阿贝尔几何受控非门，相关成果发表于Optica 8, 972 (2021).
中科院物理研究所范桁研究员、博士生孙政杭与中国科学技术大学朱晓波研究员、潘建伟教授等合作，利用一维排列的12个超导量子比特，通过制备不同的初态，对应于不同的温度，实现了热化强弱程度不同现象的实验观测，相关成果发表于Phys. Rev. Lett. 127, 020602 (2021)。
参考文献：
[1] Kaixuan Huang#, Zheng-An Wang#, Chao Song#, Kai Xu, Hekang Li, Zhen Wang, Qiujiang Guo, Zixuan Song, Zhi-Bo Liu*, Dongning Zheng, Dong-Ling Deng*, H. Wang, Jian-Guo Tian, Heng Fan*, Quantum generative adversarial networks with multiple superconducting qubits, npj Quantum Information 7, 165 (2021).
[2] Kai Xu, Wen Ning, Xin-Jie Huang, Pie-Rong Han, Hekang Li, Zhen-Biao Yang*, Dongning Zheng, Heng Fan*, Shi-Biao Zheng*, Demonstration of a non-Abelian geometric controlled-NOT gate in a superconducting circuit, Optica 8, 972-976 (2021).
[3] Fusheng Chen#, Zheng-Hang Sun#, Ming Gong#, Qingling Zhu, Yu-Ran Zhang, Yulin Wu, Yangsen Ye, Chen Zha, Shaowei Li, Shaojun Guo, Haoran Qian, He-Liang Huang, Jiale Yu, Hui Deng, Hao Rong, Jin Lin, Yu Xu, Lihua Sun, Cheng Guo, Na Li, Futian Liang, Cheng-Zhi Peng, Heng Fan*, Xiaobo Zhu*, Jian-Wei Pan, Observation of strong and weak thermalization in a superconducting quantum processor, Phys. Rev. Lett. 127, 020602 (2021).
编辑：just_iu