电子科技大学基础院王子竹教授团队在Quantum AI领域取得新突破

　　深度生成模型作为人工智能的重要分支，近年来在图像生成、自然语言处理、大语言模型等领域大放异彩。随着量子计算与人工智能技术的深度融合，如何将AI方法有效应用于量子问题求解，成为量子人工智能(Quantum AI)领域的重要方向。
 

　　近日，电子科技大学基础与前沿研究院、量子物理与光量子信息教育部重点实验室与清华大学丘成桐数学科学中心、香港中文大学、福州大学研究人员合作，将深度生成网络引入量子变分优化，提出了全新的变分生成优化网络(VGON)，为量子人工智能提供了重要的优化算法工具。该研究发表在中科院一区Top期刊 Communications Physics 上，论文题为 "Variational optimization for quantum problems using deep generative networks"(基于深度生成网络的量子问题变分优化)。论文由电子科技大学基础与前沿研究院博士生张凌霞、香港中文大学研究助理教授兼福州大学副教授林小蝶共同担任第一作者，电子科技大学基础与前沿研究院王子竹教授和清华大学魏朝晖副教授担任通讯作者，电子科技大学基础与前沿研究院为第一完成单位。
 

　　优化问题在量子科学和机器学习中始终扮演着核心角色。VGON 将深度生成模型与变分优化相结合，将传统“寻找单一最优解”的模式转变为“学习从先验分布到最优解分布的输运映射”。这一转变使得算法在一次训练后即可生成多个高质量解，从根本上突破了传统确定性优化的局限性。
 

　　在解决多个量子任务中，VGON在不同性能指标上均大幅超越传统方法：
 

　　在中等规模的纠缠检测中的最优态寻找问题上，VGON在效率上比随机梯度下降快数个数量级；原本需要两个月的计算，VGON仅用2小时完成，并将有效解比例从1.52%提升至98.59%。
 

　　在拥有数万参数的量子变分算法求解复杂多体基态问题上，VGON显著缓解了长期困扰量子算法的“贫瘠高原”问题；在18量子比特模型上，VGON在880次迭代内达到99%保真度，比传统方法收敛更稳定。
 

　　在拥有多个最优解的量子变分算法求解简并基态问题上，VGON发挥作为生成模型优化分布的优势仅通过一次训练就能自动识别基态空间的维数，并生成覆盖整个基态空间的多个正交基态。
 

　　这一突破表明，VGON不仅在速度和精度上大幅超越传统方法，也为 Quantum AI(量子人工智能) 的发展提供了新的工具与思路。作为连接量子物理、人工智能与未来计算的重要桥梁，VGON展示了在量子计算、量子信息与智能优化等前沿领域的广阔应用前景。