百度研究院：机器学习用于研发量子纠缠处理协议 | npj Quantum Information

量子纠缠是量子力学中的一种独特现象，当两个粒子处于量子纠缠态时，无论它们相距多远，对它们分别进行量子测量得到的结果都存在着一定的相关性。这种违背了直觉的现象使得量子信息处理可以完成许多经典物理不允许的任务，例如量子隐形传态与量子超密编码协议。也因此，量子纠缠作为一类重要物理资源，在量子计算和量子通讯中都扮演了重要的角色。对于近期的量子设备，由于噪声影响导致量子操作保真度受限，研究者们普遍认为本地操作与经典通讯（LOCC）是一种高效且实用的利用纠缠资源进行量子信息处理的范式。这样的范式通常假定空间上相隔一定距离的参与者们共享预先制备好的纠缠资源。每个参与者只被允许在其本地的子系统上实施量子操作和测量，并且各参与者相互之间可以进行经典信息的交换，例如互相通知本地量子测量得到的结果。LOCC这样的分布式量子信息处理范式是实现大规模量子计算和通讯的重要途径之一，有望被广泛地应用于量子通信与量子网络中。然而，由于LOCC的结构复杂并且难以刻画，在该范式下设计量子信息处理协议是一项极具挑战性的任务。

针对这个问题，来自百度研究院量子计算研究所的研究人员在npj Quantum Information上发表了题为“Practical distributed quantum information processing with LOCCNet”的研究论文。该项研究提出了一个基于机器学习探索和设计实用的LOCC协议的框架——LOCCNet，该框架的核心思想是使用树状的量子神经网络来模拟LOCC协议，针对不同的量子信息任务使用机器学习中的优化方法训练网络中的参数从而对LOCC协议进行优化。文章中研究人员展示了使用该框架在纠缠蒸馏、量子态分辨以及量子信道模拟等任务场景下突破了原有的LOCC协议的性能，为借助机器学习探索量子纠缠和量子信息开辟了新的道路。

图1. 使用LOCCNet优化LOCC协议设计的流程图

特别的，纠缠蒸馏作为量子信息处理中的一个核心任务，目标是将一定数量的初始纠缠量子态通过LOCC转换为少数更加接近最大纠缠态的量子态的过程。量子信息中的许多协议需要用最大纠缠态作为资源，然而在现实的环境中噪声是不可避免的，因此常常需要用纠缠蒸馏来得到质量更高的纠缠资源，提升量子信息处理的效果。通常来说，设计一套纠缠蒸馏协议是一件非常有挑战的事，而LOCCNet提供了一种系统化且简单的设计纠缠蒸馏协议的方法，借助机器学习可以有效地设计出实用的LOCC协议。作为展示，本研究考虑了两种基本的纠缠态——S态（贝尔态与一个非正交直积态的混合）和等方性态（isotropic state）作为初始量子态，并使用LOCCNet分别学习搜索针对这两类量子态的纠缠蒸馏协议。图二展示了LOCCNet学习到的协议的纠缠蒸馏效果优于原有已知的最好协议，其在S态的纠缠蒸馏中甚至达到了理论最高值，对等方性态的效果更是突破了著名量子计算先驱Deutsch, Ekert, Jozsa, Macchiavello, Popescu, Sanpera于1996提出的DEJMPS方案^[1]。

图2. LOCCNet学习到的纠缠蒸馏协议与原已知最好协议（DEJMPS）的效果比较；Fidelity表示协议得到的量子态与最大纠缠态间的保真度，其值越高表示该态与最大纠缠态越接近；PPT Bound表示任何一个LOCC协议得到的量子态的保真度所能达到的一个理论上界

LOCCNet不仅可以提升现有的LOCC协议与探索发现新的LOCC协议，提高量子纠缠处理的效率，同时也有助于本领域研究人员加深对分布式量子信息处理的能力和限制的理解，展示了用机器学习技术突破量子信息瓶颈问题的可行性。该项研究的主要工具之一是量桨^[2]，一个基于百度深度学习平台飞桨^[3]（PaddlePaddle）开发的开源量子机器学习工具集^[4]，提供易用的量子机器学习开发套件与量子优化、量子模拟、量子化学等前沿量子应用开发工具。目前LOCCNet已作为量桨的一个模块开源上线^[5]，可供全球的研究人员使用，持续推动AI技术赋能量子计算。

参考文献：

[1]. D. Deutsch, A. Ekert, R. Jozsa, C. Macchiavello, S. Popescu, and A. Sanpera, “Quantum Privacy Amplification and the Security of Quantum Cryptography over Noisy Channels,” Phys. Rev. Lett., vol. 77, no. 13, pp. 2818–2821, Sep. 1996.

[2]. https://qml.baidu.com/

[3]. https://www.paddlepaddle.org.cn/

[4]. https://github.com/PaddlePaddle/Quantum

[5]. https://qml.baidu.com/tutorials/loccnet/loccnet-framework.html

©Nature

npj Quantum Information | doi: 10.1038/s41534-021-00496-x

点击“阅读原文”查看论文原文：

Practical distributed quantum information processing with LOCCNet

版权声明：

本文由施普林格·自然上海办公室负责翻译。中文内容仅供参考，一切内容以英文原版为准。欢迎转发至朋友圈，如需转载，请邮件China@nature.com。未经授权的翻译是侵权行为，版权方将保留追究法律责任的权利。

© 2021 Springer Nature Limited. All Rights Reserved