在当前通常的量子处理系统中，量子数据是先投影测量再用经典计算机处理的，相比于这种传统处理，把这些物理系统运行得到的量子数据用量子处理器进行处理显得更加自然。即便在没有纠缠时，只需要大量非对易的信息，这种量子增强机器学习在理论上需要的数据量和传统方法相比是指数减少的，而用量子增强传感进行测量只能实现平方根量级的减少，因此有望实现量子优势。

近日，美国加州理工和谷歌的研究人员在谷歌Sycamore处理器上，用了最多40个比特进行了三类学习任务对此理论的验证。利用系统比特和存储器比特之间的纠缠，通过贝尔测量可以提取超越经典的信息。在这三类学习任务中，第一类是监督学习，用循环神经网络预测未知非纠缠态的Pauli可观测量，第二和第三类是无监督学习，分别对一维和二维连通性的系统动力学进行学习，用高斯核的主成分分析，得到系统演化算符的一维表示，从而根据量子动力学过程是否满足时间反演对称进行分类，三类任务都观察到了明显的量子优势。

文章用到的学习算法具有一定的抗噪性，可以用于分析模拟型的量子仿真器和基于门的数字型量子计算机，未来甚至可以把量子传感器和处理器集成实现边缘计算。

论文信息：

https://arxiv.org/abs/2112.00778

（张颖珊）