此外，为提高复杂神经网络的训练效率，研究团队还开发出更为有效的广义自然梯度下降算法。研究结果表明，相比于传统梯度下降算法，采用新算法的神经网络训练迭代次数可以减少一个数量级，且极大提高重构保真度。

11559:cc-www:11559:cc中新社合肥3月19日电 (记者 吴兰)记者19日从中国科学技术大学获悉，该校郭光灿院士团队在光量子行走领域取得重要进展——实现开放光量子行走的高效机器学习。

为了增加神经网络训练数据，研究团队在前期构建的大尺度光量子行走实验系统基础上，进一步引入特定干涉测量。结果表明，基于神经网络技术，仅利用相对于传统态层析方法50%的测量基数目，即可实现平均保真度高达97.5%的开放光量子行走的完整混合量子态表征。

在具体工作中，研究团队构建新型干涉测量装置以显著增加测量基数目，并通过建立开放量子行走系统等方式，同时开发新的梯度优化算法高效训练神经网络，最终完成对具有一定规模的开放量子行走系统中混合量子态的有效表征。

量子行走被认为在量子模拟和量子计算中具有重要研究价值。近期研究表明，处在特定噪声环境下的开放量子行走相对于封闭情形，在解决某些特定问题上具有显著的效率优势。然而，传统的态层析方法并不适用于具有一定规模的开放量子系统。