【小哈划重点：机器学习可通过一系列的训练数据，得到一个可输出预测结果的函数或模型。通过巧妙的实验设计，在光学系统中制备出一簇参数可调的2比特量子态。通过只输入量子态的部分信息，利用神经网络、支持向量机以及决策树等机器学习模型对455个量子态的非经典关联属性进行学习，成功地实现了多重非经典关联分类器。】
记者近日从中国科学技术大学获悉，该校郭光灿院士团队成员李传锋、许金时等与国内同行合作，将机器学习技术应用于研究量子力学基础问题，首次实验实现了基于机器学习算法的多重非经典关联的同时分类。该成果日前发表在国际物理学权威期刊《物理评论快报》上。
爱因斯坦、波多尔斯基和罗森等人质疑量子力学完备性，后来被称为EPR佯谬。随着对EPR佯谬的深入研究，人们逐渐理解爱因斯坦所指的“幽灵般的超距作用”来源于量子世界的非定域关联，并且它还可以进一步细分为量子纠缠、量子导引和贝尔非定域性等层次。各种不同的量子关联已经成为量子信息领域的关键资源，并扮演着重要的角色。
然而，刻画任意给定的一个量子态中的非经典关联仍存在巨大挑战。首先是其计算极其复杂。其次是实验上数据采集时间随着系统粒子增加呈指数增加。最后，人们并不清楚是否存在一个统一的框架，可以通过相同的测量或可观测量的集合，实现所有这些非经典关联的同时区分。
机器学习可通过一系列的训练数据，得到一个可输出预测结果的函数或模型。通过巧妙的实验设计，在光学系统中制备出一簇参数可调的2比特量子态。通过只输入量子态的部分信息，利用神经网络、支持向量机以及决策树等机器学习模型对455个量子态的非经典关联属性进行学习，成功地实现了多重非经典关联分类器。
实验结果表明，基于机器学习算法的分类器能以大于90%的高匹配度同时识别量子纠缠、量子导引和贝尔非定域性等不同的量子关联属性，且无论在资源消耗还是时间复杂度上，都远小于传统判据所依赖的量子态层析方法。
该成果推动了人工智能与量子信息技术的深度交叉。未来，机器学习作为一种有效的分析工具，将有助于解决更多量子科学难题。
（原文标题：《人工智能首次实现 多重量子关联的同时分类》）
