深度生成模型作為人工智能的重要分支，近年來在圖像生成、自然語言處理、大語言模型等領(lǐng)域大放異彩。隨著量子計算與人工智能技術(shù)的深度融合，如何將AI方法有效應(yīng)用于量子問題求解，成為量子人工智能(Quantum AI)領(lǐng)域的重要方向。
 

　　近日，電子科技大學(xué)基礎(chǔ)與前沿研究院、量子物理與光量子信息教育部重點實驗室與清華大學(xué)丘成桐數(shù)學(xué)科學(xué)中心、香港中文大學(xué)、福州大學(xué)研究人員合作，將深度生成網(wǎng)絡(luò)引入量子變分優(yōu)化，提出了全新的變分生成優(yōu)化網(wǎng)絡(luò)(VGON)，為量子人工智能提供了重要的優(yōu)化算法工具。該研究發(fā)表在中科院一區(qū)Top期刊 Communications Physics 上，論文題為 "Variational optimization for quantum problems using deep generative networks"(基于深度生成網(wǎng)絡(luò)的量子問題變分優(yōu)化)。論文由電子科技大學(xué)基礎(chǔ)與前沿研究院博士生張凌霞、香港中文大學(xué)研究助理教授兼福州大學(xué)副教授林小蝶共同擔(dān)任第一作者，電子科技大學(xué)基礎(chǔ)與前沿研究院王子竹教授和清華大學(xué)魏朝暉副教授擔(dān)任通訊作者，電子科技大學(xué)基礎(chǔ)與前沿研究院為第一完成單位。
 

　　優(yōu)化問題在量子科學(xué)和機器學(xué)習(xí)中始終扮演著核心角色。VGON 將深度生成模型與變分優(yōu)化相結(jié)合，將傳統(tǒng)“尋找單一最優(yōu)解”的模式轉(zhuǎn)變?yōu)椤皩W(xué)習(xí)從先驗分布到最優(yōu)解分布的輸運映射”。這一轉(zhuǎn)變使得算法在一次訓(xùn)練后即可生成多個高質(zhì)量解，從根本上突破了傳統(tǒng)確定性優(yōu)化的局限性。
 

　　在解決多個量子任務(wù)中，VGON在不同性能指標(biāo)上均大幅超越傳統(tǒng)方法：
 

　　在中等規(guī)模的糾纏檢測中的最優(yōu)態(tài)尋找問題上，VGON在效率上比隨機梯度下降快數(shù)個數(shù)量級；原本需要兩個月的計算，VGON僅用2小時完成，并將有效解比例從1.52%提升至98.59%。
 

　　在擁有數(shù)萬參數(shù)的量子變分算法求解復(fù)雜多體基態(tài)問題上，VGON顯著緩解了長期困擾量子算法的“貧瘠高原”問題；在18量子比特模型上，VGON在880次迭代內(nèi)達(dá)到99%保真度，比傳統(tǒng)方法收斂更穩(wěn)定。
 

　　在擁有多個最優(yōu)解的量子變分算法求解簡并基態(tài)問題上，VGON發(fā)揮作為生成模型優(yōu)化分布的優(yōu)勢僅通過一次訓(xùn)練就能自動識別基態(tài)空間的維數(shù)，并生成覆蓋整個基態(tài)空間的多個正交基態(tài)。
 

　　這一突破表明，VGON不僅在速度和精度上大幅超越傳統(tǒng)方法，也為 Quantum AI(量子人工智能) 的發(fā)展提供了新的工具與思路。作為連接量子物理、人工智能與未來計算的重要橋梁，VGON展示了在量子計算、量子信息與智能優(yōu)化等前沿領(lǐng)域的廣闊應(yīng)用前景。