量子人工智能是量子力学和人工智能技术结合的产物。一个量子系统具有相干性,即该系统有可以同时存在多种状态组合的特性。这种特性使得将量子系统作为计算比特时,会有先天并行性计算的优势。由此衍生出来的量子计算科学,正是当下的一个热门研究方向。同时,近几年来快速发展的人工智能技术,已慢慢成为我们日常生活中不可分割的一部分,比如图像识别、自动驾驶、城市大脑等等。随着大数据时代的来临,人工智能对计算机算力的要求也是不断提高,这使经典计算机不断地逼近摩尔定律所限制的瓶颈。在这样的一种背景下,我们想将量子力学,特别是量子计算,与人工智能相融合,利用量子并行性计算所带来的算力优势,服务于更加复杂,数据量更大的人工智能算法。实现量子计算的物理系统有许多种,比如超导系统、离子阱系统等等。线性光学系统通常以光子态的偏振、路径等作为量子比特,通过控制每个量子比特的状态,来实现相应的计算任务。这种系统具有相干时间长、编码维度多、能在室温下运行等诸多优点,所以能支持多种人工智能算法的量子版本,并能缩短相应的运算时间。本文所取得的主要研究成果如下:1.用梯度下降方法搜索最优量子相干冻结点的实验研究量子相干是量子系统的一种重要资源。当经过一个噪声信道时,量子相干会随着演化时间的增长而不断地递减。我们试图利用波片来控制量子信道的各种参数,并利用最原始的梯度下降算法,来搜索一段演化时间后能使相干保持最大值的信道状态。通过实验我们发现这种经过“学习”之后的量子信道可以使量子相干这种资源在演化时达到最小程度的减少,甚至冻结。2.利用贝叶斯推断方法探测量子突变点由于量子系统具有相干性,我们只能以一定的概率去区分两个非正交的量子态。当有一串量子态被连续发出,并在其中某一点开始发生改变时,如何以最高的成功率去探测这个突变所发生的位置,是我们所要研究并解决的问题。利用贝叶斯推断的方法,连续的测量每一个量子态,并在每一次测量过后利用贝叶斯更新,快速地调整测量基,最后通过对先验概率的分析,我们发现可以以最高的准确率找到量子态的突变点。3.利用深度学习方法重构单比特量子态量子态重构是量子信息研究中的一个重要环节,其中最常用的手段就是量子态层析(tomography)。但是这种方法一般需要大量的量子态拷贝作为准确度的保障。这里我们利用深度学习算法,根据每次测得的数据对测量基做出调整,发现可以使用更少的量子态拷贝完成相同精度的量子态重构任务。4.利用机器学习方法预测系统在非马尔可夫演化下的动力学过程由于量子系统总是不可避免的会与环境发生耦合,所以对开放量子系统的研究是处理各种实际量子问题的必要环节。对于一个未知的具有记忆性的量子信道,我们先通过对这个演化信道本征值谱的研究,来确定其非马尔科夫性的程度。然后,我们又利用机器学习,并采用一种常用于深度学习中的“Adam”一阶优化方法,来成功预测一个量子系统在记忆性量子信道中演化的动力学过程。