在他們的模擬系統中，圖像數據首先使用一種稱為主成分分析 (PCA) 的過程進行簡化，該過程在保留關鍵特征的同時減少了信息量。系統會生成一個復雜的光子態，并將數據編碼到該光子態上，然后在量子庫中進行處理——光子之間的干涉會產生用于圖像識別的豐富而復雜的模式。該系統僅需要在最后階段（一個簡單的線性分類器）進行訓練，從而使整體方法既高效又能有效地進行準確的圖像識別。圖片來源：本研究第一作者、日本沖繩科學技術大學院大學量子信息科學與技術部門成員櫻井昭忠/日本沖繩科學技術大學院大學
十多年來，玻色子采樣（一種基于光粒子的量子計算協議）一直被視為證明量子計算優于經典計算的重要里程碑。盡管已有實驗表明玻色子采樣難以用經典計算機模擬，但其實際用途一直尚未明確。日本沖繩科學技術大學院大學研究團隊近日在《光學量子》期刊上報告，他們首次將玻色子采樣用于圖像識別這一關鍵任務，為量子人工智能（AI）在現實世界中的應用打開了新窗口。
團隊僅使用三個光子和一個線性光學網絡，就構建出可用于圖像分類的量子AI系統。圖像識別廣泛應用于刑偵分析、醫學診斷等領域。團隊此次提出的低能耗、混合型量子方法展現出極強潛力，向量子AI的落地邁出關鍵一步。
玻色子（如光子）遵循玻色—愛因斯坦統計。要理解玻色子采樣的原理，可以想象一個“彈珠釘板”游戲：把一顆顆彈珠從上方放下，彈珠會在釘子間碰撞、反彈，最后落到下方的格子里，落點多集中在中間位置，形成一個類似鐘形的分布圖。但如果把彈珠換成光子，情況就完全不同了。光子不像彈珠那樣只是“撞來撞去”，它們具有波動性，就像水波一樣，可相互疊加、干涉。這種干涉效應讓它們在穿過一個復雜光學網絡時，產生出極為復雜的落點分布，不再是簡單的對稱圖形，而是一個連超級計算機都難以準確預測的圖案。
為開發圖像識別系統，團隊設計了一種新型量子AI架構。在模擬實驗中，灰度圖像數據首先被壓縮處理，并編碼到單光子的量子態中。隨后，這些光子被注入一個復雜的光學網絡（量子水庫），在其中干涉形成豐富的高維模式。探測器記錄光子的輸出位置，反復采樣形成玻色子采樣的概率分布。最終，這些量子輸出與原始圖像數據結合，通過一個簡單的線性分類器進行識別。
實驗結果顯示，該系統在所有測試圖像數據集上均表現優異，準確率顯著高于傳統同規模的機器學習方法。
本文鏈接：玻色子采樣用于量子AI圖像識別http://m.sq15.cn/show-11-22707-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 超強激光脈沖實現單次全結構測量
下一篇： 微型光學設備“魚與熊掌”兼得