信息科学与物理学的交叉，量子信息将为人类提供后摩尔时代的技术，为计算机科学的发展和信息安全的研究提供革命性的新方法。

量子信息技术和智能学习系统都是新兴的技术，它们都有可能在未来对我们的社会产生革命性的影响。超级大国和超级企业都已经在此领域布局。作为基础研究基础领域——量子信息与机器学习(ML)和人工智能(AI)——都有自己的具体问题和挑战，这些问题和挑战迄今为止大多是独立研究的。这两个学科孑然一身的研究之路似乎正在消失。量子机器学习探索了量子计算和机器学习之间的相互作用，研究了如何用这一个领域的结果和技术来解决那一个领域的问题。

在这个方向上，中国学者也在不断取得研究成果，在机器学习的生成式对抗网络方面也有进展。人工智能的核心是机器学习, 生成式对抗网络(GAN, Generative adversarial Networks)是近年来机器学习领域前景方法之一。一般说来，机器学习的模型大体可以分成两类：生成模型(Generative model) 和判别模型(Discriminative model)。机器学习，或者更广泛地说是人工智能领域，代表了具有一般实际应用的重要领域，其中近期量子器件可以提供比经典应用更大的加速。有了这个愿景，量子机器学习或者说量子人工智能（quantum machine learning/artificial intelligence ）这个有趣的跨学科领域已经出现，吸引了极大的关注。

量子生成对抗网络(QGAN, quantum generative adversarial network) 基本原理与经典的生成式对抗网络是一样的，生成式对抗网络的原理是可以通过生成图片为例来理解：生成式对抗网络通常包含两个部分，生成器和判别器。量子生成对抗网络与生成式对抗网络的区别是这里生成器和判别器是由量子器件或者量子网络构成，训练用的数据集也可以是量子数据(比如量子态等)。2019年1月25日的《科学》子刊《科学•进展》刊登了清华大学交叉信息研究院孙麓岩、邓东灵研究组与中国科学技术大学邹长铃研究组合作的论文《超导量子电路中的量子生成对抗性学习（Quantum generative adversarial learning in a superconducting quantum circuit）》。

论文克服的困难是：学界理论上已经提出了许多保证指数加速的量子算法，其中一些在原理验证实验中得到了证明。然而，在前面的大多数场景中，所考虑的输入数据集通常是经典的。因此，需要某些代价高昂的过程或技术，如量子随机存取存储器，首先将经典数据映射到量子波函数，然后由量子器件进行处理，从而使潜在的速度增益为零。

实验结果表明，经过多轮对抗学习后，生成器产生的量子数据越来越逼近真实的量子数据，最终达到平均98%以上的保真度，从而使得判别器无法区分生成器产生的数据。此实验为今后研究中等尺度量子器件在机器学习方面的量子优势铺平了道路。

课题组与合作者在超导系统中首次实现了生成式对抗网络，展示了从量子数据集中学习有用模式的可行性。在此实验中，生成器由一个能以一定概率分布产生量子态系综的超导量子线路组成，判别器是一个可以做投影测量的量子器件，训练用的真实数据集由一个量子通道模拟器产生。

论文摘要：生成性、对抗性学习是机器学习中最令人兴奋的最新突破之一。它在各种具有挑战性的任务中表现出色，比如图像和视频生成。最近，理论上提出了生成对抗性学习的量子版本，并且显示其具有比其经典对应物呈现指数优势的潜力。在这里，我们报告了超导量子电路中量子生成对抗性学习的第一个原理验证实验演示。我们证明，经过几轮对抗性学习，可以训练量子态发生器来复制量子信道模拟器输出的量子数据的统计数据，具有很高的保真度98%以上，从而判别器就无法区分真实数据和生成数据。

该论文共同作者为孙麓岩、邓东灵、以及邹长铃。胡玲、吴书豪为文章共同一作，其他作者还包括蔡伟州、马雨玮、穆相豪、徐源、王海燕、宋祎璞等。

（完）

亲爱的数据

出品：谭婧

美编：陈泓宇