中国科学技术大学的郭光灿院士团队在人工智能与量子力学研究的交叉领域取得了重要进展。该团队与北方科技大学的翁文康教授及中科院重庆绿色智能技术研究院的任昌亮研究员合作，首次利用机器学习技术来研究量子力学的基础问题，并成功实现了基于机器学习算法的多重非经典关联的同时分类。这一研究成果近期发表在《物理评论快报》上。

爱因斯坦认为，距离遥远的物体的状态应该是相互独立的，这一概念被称为“局域性原则”。他对量子力学中的非定域性持怀疑态度，称其为“幽灵般的超距作用”。1935年，爱因斯坦、波多尔斯基和罗森共同发表了质疑量子力学完整性的论文，即著名的EPR佯谬。此后，薛定谔和贝尔等科学家的研究使人们对“幽灵般的超距作用”的理解更加深刻，认识到这种非定域性实际上可以分为量子纠缠、量子导引和贝尔非定域性等多个层次。

随着量子信息科学的发展，各种量子关联已经成为量子信息领域的关键资源，在量子计算、量子通信和量子精密测量等领域发挥着重要作用。然而，描述一个量子态中的非经典关联仍然是一项艰巨的任务。因此，科学家们开始尝试将机器学习方法应用于量子关联的研究。

郭光灿团队的李传锋和许金时等人将机器学习技术应用于非经典关联的分类，首次实现了多种量子关联的同时分类。他们通过精心设计的实验，在光学系统中制备了一组参数可调的两比特量子态。通过输入量子态的部分信息（如两个可观测量的值），使用神经网络、支持向量机和决策树等机器学习模型，对455个量子态的非经典关联特性进行了学习。实验结果表明，基于机器学习算法的分类器能够以超过90%的匹配度同时识别量子纠缠、量子导引和贝尔非定域性等多种量子关联特性，且在资源消耗和时间复杂度方面均优于传统的量子态层析方法。

专家指出，这项工作将机器学习算法应用于多重非经典关联的同时分类，推动了人工智能与量子信息技术的深度融合。未来，机器学习有望作为有效的分析工具，帮助解决更多的量子科学难题。