据(ju)武汉大学消息，该校计算机学院罗勇教授团队在量子机器(qi)学习(xi)研究方面取得(de)新进展，首次证明了(le)量子数据(ju)的纠缠程度对量子机器(qi)学习(xi)模型预测(ce)误差的影(ying)响表现(xian)出(chu)双重效(xiao)应。相关研究成果(guo)近日在线发表在国际学术期刊《自然·通(tong)讯(xun)》上。

论文通(tong)讯(xun)作者(zhe)罗勇介绍，量子纠缠是(shi)实现(xian)量子计算优(you)势的关键资源。目前，科学家广泛关注(zhu)如何将(jiang)量子纠缠整合到量子机器(qi)学习(xi)模型的各(ge)个环(huan)节，以(yi)期超越传统机器(qi)学习(xi)模型的性能。尽管(guan)如此，量子数据(ju)的纠缠程度具体如何影(ying)响量子机器(qi)学习(xi)模型的性能，仍然是(shi)一个尚未解决且颇具挑战性的研究课题。

图为量子数据(ju)的纠缠程度对量子机器(qi)学习(xi)模型预测(ce)误差的影(ying)响示意图。（罗勇教授团队供图）

“现(xian)有研究通(tong)常认为量子纠缠有助于(yu)提升量子机器(qi)学习(xi)模型的性能。”罗勇说，该研究团队分(fen)析(xi)了(le)量子数据(ju)纠缠程度、测(ce)量次数以(yi)及训练数据(ju)集的规模对量子机器(qi)学习(xi)模型预测(ce)误差的影(ying)响，首次证明量子数据(ju)的纠缠程度对预测(ce)误差的影(ying)响表现(xian)出(chu)双重效(xiao)应，可以(yi)是(shi)积极的，也可以(yi)是(shi)消极的，而决定量子纠缠是(shi)否能提升量子机器(qi)学习(xi)性能的关键在于(yu)允许的测(ce)量次数。在足(zu)够次数的测(ce)量条件下，增加量子数据(ju)的纠缠可以(yi)有效(xiao)减少量子机器(qi)学习(xi)模型的预测(ce)误差，或减小实现(xian)相同预测(ce)误差所需的量子数据(ju)大小。相反(fan)，当允许的测(ce)量次数很少时，使用高度纠缠的量子数据(ju)可能会导致(zhi)预测(ce)误差增大。该研究为设计更先进的量子机器(qi)学习(xi)协议，特别是(shi)针对当前量子计算资源有限的量子计算机而定制的协议提供了(le)重要理论指导。（记者(zhe)侯文坤）