量子人工智能：前沿進展

李綠周，中山大學計算機學院教授、量子計算與軟件研究所所長、CCF量子計算專業委員會副主任。長期從事量子計算理論研究，研究興趣包括量子算法、量子線路編譯與優化、量子機器學習等。在IEEE TIT，Information and Computation，npj Quantum Information等期刊，以及SODA、ICALP等會議發表論文百余篇，出版學術專著1部。

林倞，中山大學計算機學院二級教授，IEEE/IAPR/IET會士，獲國家傑出青年科學基金支持。長期從事多模態人工智能、機器學習等領域研究，主持科技部人工智能重大項目、國家自然科學基金重點項目。谷歌學術引用近5萬次，多次入選全球高被引學者榜單，5次獲權威期刊或會議的最佳或優秀論文獎；獲CCF-ACM人工智能獎、廣東省科技進步獎一等獎等。

黃合良，信息工程大學副教授。長期致力於量子計算前沿研究，在量子計算優越性、量子糾錯及量子算法應用等方向取得系列成果。作為第一作者或通信作者在PRL、Optica、IEEE TNNLS等期刊發表論文40余篇；總被引8000余次，h因子為31，其中4篇論文入選ESI高被引表單；獲河南省傑出青年科學基金支持；獲戈登貝爾獎、《麻省理工科技評論》亞太區“35歲以下科技創新35人”等榮譽。

嚴駿馳，上海交通大學人工智能學院教授，IAPR會士，曾任IBM研究院首席研究員和亞馬遜人工智能實驗室高級顧問。研究興趣為機器學習及其前沿應用。獲得IEEE人工智能十大新星獎（AI's 10 to Watch Award）、IEEE CIS傑出早期職業獎等。指導學生獲挑戰杯特等獎、CCF優博/CV新銳獎、交大學術之星等榮譽，以及本科生/博士生自然科學基金。

周日貴，上海海事大學二級教授、博士生導師、信息工程學院院長，國家重點研發計劃首席科學家。長期從事量子計算、量子通信等領域的研究工作。主持國家級項目7項、獲省部級科技獎4項、國家一級學會科技獎5項，發表論文200余篇，出版專著6部；入選教育部新世紀優秀人才支持計劃，交通運輸行業中青年科技創新領軍人才等。

張鵬，天津大學教授、博士生導師。長期致力於語言模型與量子物理的交叉學科研究，近期研究聚焦量子機器學習、AI輔助科學發現等領域。在Nature Communications、npj Quantum Information等期刊，以及ICML、NeurIPS、ACL、SIGIR等會議發表論文百余篇；入選國家級青年人才計劃，主持國家自然科學基金原創探索項目。

目錄

第 1 章緒論 1

11 人工智能發展趨勢 1

111 新一代人工智能的範式轉變 1

112 大模型和基礎模型 3

113 多模態大模型 3

12 新一代人工智能如何邁向AGI 5

121 領域專業化不足 6

122 魯棒性威脅 7

13 量子計算與人工智能 9

131 量子計算與經典計算的區別 10

132 量子計算與人工智能的關系 10

133 量子計算與人工智能協作的未來展望 11

14 量子計算簡介 11

141 量子計算的發展歷程 12

142 量子力學的基本假設 14

143 量子計算的基礎知識 14

參考文獻 20

第 2 章基於線性代數的量子機器學習算法 24

21 基於稀疏矩陣的線性方程組求解算法 24

211 量子特征值變換算法 25

212 求解稀疏矩陣線性系統的量子算法 27

213 算法運行時間 29

214 矩陣求逆問題是BQP-完全問題 30

22 基於稠密矩陣的線性方程組求解算法 31

221 量子奇異值估計算法 31

222 求解稠密線性系統的量子算法 34

223 算法運行時間 35

23 量子主成分分析算法 35

231 量子主成分分析算法的背景 36

232 實現酉操作e iρt 36

233 提取密度矩陣的主成分 37

234 量子主成分分析算法的應用場景 38

24 量子回歸算法 40

241 量子線性回歸算法 40

242 量子線性回歸算法的基本流程 41

243 量子線性回歸算法的復雜度分析 43

25 量子嶺回歸算法 43

251 嶺回歸算法 43

252 量子嶺回歸算法的基本流程 44

253 量子嶺回歸算法的復雜度分析 46

26 量子支持向量機算法 46

261 支持向量機算法 47

262 基於量子主成分分析算法制備核矩陣 48

263 量子最小二乘法支持向量機 49

264 量子最小二乘法支持向量機的分類過程 51

265 量子最小二乘法支持向量機的復雜度分析 51

27 量子聚類算法 52

271 量子監督聚類算法 52

272 量子無監督聚類算法 53

273 量子聚類算法的復雜度分析 55

28 本章小結 56

參考文獻 56

第3 章變分量子電路 58

31 變分量子電路的基本原理 58

32 量子電路擬設 59

321 問題啟發型擬設 60

322 硬件高效擬設 64

33 測量 66

331 基矢變換 66

332 測量分組 67

34 損失函數 70

35 參數優化 73

351 無導數優化 73

352 含梯度優化 74

353 梯度消失 79

36 數據編碼 80

361 基矢編碼 81

362 振幅編碼 83

363 角度編碼 85

364 其他編碼方式 85

37 量子電路與函數模型 86

38 變分量子電路的應用 89

381 量子化學 89

382 量子組合優化問題 94

383 量子機器學習 99

39 本章小結 106

參考文獻 106

第4 章量子架構搜索 109

41 搜索空間 110

42 搜索策略 111

421 基於強化學習的搜索策略 111

422 基於進化算法的搜索策略 113

423 基於梯度優化的搜索策略 114

43 性能評估 114

431 基於電路訓練的性能評估 114

432 基於預測器的性能評估 115

433 基於超級電路和參數共享的評估 117

434 無訓練的性能評估 118

44 分布式量子架構搜索 120

45 本章小結 121

參考文獻 121

第5 章量子生成對抗網絡 124

51 生成對抗網絡 124

52 量子生成對抗網絡的研究 126

521 生成經典數據的量子生成對抗網絡的研究 127

522 生成量子數據的量子生成對抗網絡的研究 129

53 量子生成對抗網絡的原理 131

531 量子生成對抗網絡生成經典數據的原理 131

532 量子生成對抗網絡生成量子數據的原理 134

54 量子生成對抗網絡的應用 135

55 本章小結 138

參考文獻 139

第6 章量子圖機器學習 141

61 圖與圖機器學習 142

611 圖的基本知識 142

612 圖機器學習 144

62 圖數據的量子態編碼 146

621 結構化數據的量子態表示 147

622 基於量子隨機遊走的編碼方式 148

623 基於變分量子電路的編碼方式 152

63 量子圖機器學習模型 155

631 量子圖神經網絡模型 155

632 量子圖核模型 157

633 經典–量子混合圖機器學習模型 159

64 量子圖機器學習的應用前景 161

65 本章小結 162

參考文獻 163

第7 章量子特征選擇 165

71 特征選擇 165

72 基於絕熱量子計算的特征選擇 167

721 二次無約束二值優化的表述 168

722 二次無約束二值優化問題的求解 172

73 基於通用量子計算的特征選擇 173

731 量子包裹式特征選擇 173

732 量子過濾式特征選擇 177

733 量子圖論特征選擇 183

74 本章小結 191

參考文獻 191

第8 章量子自然語言處理 193

81 量子自然語言處理的概述 193

811 量子自然語言處理與傳統自然語言處理 194

812 量子自然語言處理的語義空間 197

82 量子自然語言處理的語義建模 200

821 基於語法解析的語義建模 200

822 量子啟發式的語義建模 204

83 量子自然語言處理的語義交互 207

831 基於相似度的語義交互 208

832 基於跡內積的語義交互 208

833 基於量子幹涉的語義交互 209

84 量子自然語言處理的計算平臺 210

85 本章小結 211

851 量子自然語言處理的總結 212

852 量子自然語言處理的展望 212

參考文獻 214