量子计算近年来吸引了大批计算机科学家的关注，与传统计算机通过集成电路中电路的通断来进行0、1表示不同，量子计算机利用量子态来表示数据。2019年11月，谷歌推出的包含53量子比特的量子计算系统“Sycamore”，并在随机采样电路问题上的惊人表现展现出了量子计算的广阔前景。乐观的研究者估计到2025年，人们就能获得1000个量子比特的计算机，而到2030年，这一数字有望达到百万规模。
量子机器学习主要是利用量子计算来为经典的机器学习算法进行升级加速，以应对未来海量数据所带来的巨大挑战。计算机学院刘丁老师的研究团队主要从事张量网络机器学习方面的研究，与首都师范大学物理系、中国科学院大学物理学院等科研单位合作取得了一些初步成果[1][2][3]，其中文献[1]开发出了树形张量网络的深度学习模型，成功应用于图像识别并初步分析了量子纠缠及保真度对分类精度的影响，工作发表于知名物理学期刊New Journal of Physics。文献[2]开发出了基于矩阵乘积态（MPS）的生成模型，在标准数据集上获得了进一步的分类精度提升，这一工作将量子张量网络推广至生成模型，发表于知名物理学期刊Physical Review B。文献[3]在已有成果的基础上进一步提出了混合张量网络的思想，力求将量子模型与经典模型统一在同一框架中进行训练，既克服了传统张量网络在表征能力和参数复杂度上的缺陷，也大大提升了张量网络架构的灵活性，使其可以嵌入到已有的任何一种深度神经网络模型中。这项工作在图像分类和压缩中得到了初步的结果。这些成果向人们展示出构造量子化深度学习、生成模型及量子-经典混合模型的可能方案，并开始探讨一些有趣的问题：有哪些量子特征是能够被机器学习模型捕获到并加以利用的？机器学习和支撑这个世界的基础物理学原理之间，还有哪些尚不为人知的本质的联系？
发表的相关论文：
[1] D. Liu, S.-J. Ran, P. Wittek, C. Peng, R. B. Garc ́ıa, G. Su, and M. Lewen-stein, “Machine learning by unitary tensor network of hierarchical treestructure,”New Journal of Physics, vol. 21, no. 7, p. 073059, 2019.
[2] Z.-Z. Sun, C. Peng, D. Liu, S.-J. Ran, and G. Su, “Generative tensornetwork classification model for supervised machine learning,”PhysicalReview B, vol. 101, no. 7, p. 075135, 2020.
[3] Liu D, Yao Z, Zhang Q. Quantum-Classical Machine learning by Hybrid Tensor Networks[J]. arXiv preprint arXiv:2005.09428, 2020.