量子机器学习的新里程碑！
    清华大学孙麓岩团队提出了“量子版”的生成对抗网络，并且证明了与经典的对应方法相比，具有潜在的“指数级”优势。
    最近，孙麓岩团队的研究登上了Science Advances，论文首次介绍了超导量子电路中量子生成对抗学习的原理证明及实验演示。
    研究结果表明，经过几轮对抗学习，可以训练一个量子态的发生器，对量子信道模拟器输出的量子数据进行统计复制，并且具有98.8%的高保真度，使得鉴别器无法区分真实数据和生成数据。
    值得注意的是，证明“量子霸权”通常被认为需要至少50个量子比特，但该团队的研究使用的系统只有一个量子比特。
    首次证明量子计算能利用GAN
    生成对抗网络（GAN）由两个神经网络构成，即生成器和鉴别器。
    生成器会生成数据，例如人脸图片；鉴别器既可以得到真实数据，也可以得到生成器创建的假数据，而且必须分辨出真假。它俩经过多轮的循环，最终生成器得到了更新，学会了如何产生更为逼真的图像，使得鉴别器无法再区分其真假。
    而GAN也是近年来机器学习领域最令人兴奋的突破之一。它在图像、视频生成等各种具有挑战性的任务中表现突出，例如，能够生成无比逼真的人脸照片，以假乱真。
    从理论上讲，量子计算机在解决某些问题（如分解大数）方面比普通计算机具有速度优势。
    “但就目前的技术水平而言，量子计算机还无法达到这一优势。”孙麓岩说。
    研究人员认为，量子计算机上的GAN也可能具有这样的速度优势，但他们仍然需要明确证明这一点。
    于是，利用量子生成器和鉴别器制造出一种量子GAN，成为证明“量子霸权”的又一案例。

    量子生成对抗网络QGAN：准确率98.8%
    孙麓岩团队实验性地演示了生成对抗网络的量子版本——QGAN，其中输入和输出数据都是量子比特。
    生成器G由一个超导电路构成，能够生成一个随机纯量子态的集合ρ，模拟真正的量子数据σ。其中，输入的量子数据由一个数字量子比特信道模拟器随机生成。
    鉴别器D则由一个专门衡量相关映射的量子设备构成，能够生成衡量映射的结果M。
    接下来的过程就与普通的生成对抗网络 (GAN) 一样，生成器G不断生成虚拟数据ρ，然后鉴别器D则不断生成衡量ρ和衡量σ的结果，试图区分ρ 和σ，反过来优化生成器的生成结果，最终致使D无法区分ρ 和 σ。

    量子生成对抗网络QGAN的示意图：(a) 量子生成器G和量子鉴别器D，G生成一个模拟量子态ρ，真实量子态σ则由模拟器随机生成；(b) D得到输入数据后，通过衡量机制判断模拟数据ρ 和真实量子态σ 的不同。
    研究人员构建的这个量子GAN算法执行示意图如下：
    作为原始量子数据，ρ 作为模拟量子态分布，所以是一个概率分布。其中，衡量结果的差异β 和γ 通过FPGA阵列实现。

    QGAN算法的实验协议
    实验证实了生成器确实能够学会数据量子数据的模式 (pattern)，并生成几乎与真实量子数据一样的量子态。
    不仅如此，研究人员在论文中指出，他们最高能够取得98.8%的准确率。
    量子计算机有望在图像生成上实现量子霸权
    研究人员得出结论，由于QGAN实验中既不需要量子随机存储设备，也不需要通用量子计算设备或对任何参数进行微调，因此可以认为，在不远的未来，量子设备就能实现可用的、含有噪音的中型量子应用。
    什么是“含有噪音的中型量子”？去年，加州理工大学理论物理学家、“量子霸权 ”概念提出者 John Preskill 指出，在实现 50~100 量子比特的中型量子计算机后，人类就可以用其探索更多经典计算机无法探索的研究领域，也将由此迈进一个新的量子技术发展期，他将其称之为“含噪声的中型量子” (Noisy Intermediate-Scale Quantum, NISQ) 时代。
    计算机体系结构顶会 MICRO 2017 的最佳论文奖，授予了这样一项工作，论文提出了一种控制超导量子计算机的微体系结构，首次有机连接了量子软件和硬件，让传统处理器的设计技术能够为量子控制处理器所用。
    清华大学的这项实验工作的意义就在于，首次在超导量子电路 (属于NISQ设备) 上实现了量子GAN，鉴于GAN在图像生成等应用上的强大性能，这有望实现图像生成的“量子霸权”，也即用量子计算机生成图像比经典计算机更快更强。
    结合MICRO 2017的最佳论文奖研究，或许能够加速清华大学这项工作实现图像量子霸权。想一想，不是很令人激动吗？