作者:英格丽德·法德利
（同organic）有机 信用:黄；预杀
预测复杂量子系统的性质是发展先进量子技术的关键一步
虽然世界范围内的研究团队已经设计了许多技术来研究量子系统的特性，但其中大多数只在某些情况下被证明是有效的
加州理工学院的三名研究人员最近介绍了一种新方法，这种方法可以从有限的测量数据中预测复杂质量系统的多种特性
发表在《自然物理学》上的一篇论文概述了他们的方法，发现这种方法非常有效，可以为研究机器处理量子信息的方式开辟新的可能性
“在我本科期间，我的研究集中在统计机器学习和深度学习上，”进行这项研究的研究者之一辛-黄原告诉《物理》杂志
（同organic）有机
“当前机器学习时代的核心基础是能够使用高度并行化的硬件，例如图形处理单元(GPU)或张量处理单元(TPU)
人们很自然地会想，在遥远的未来，一个能够利用量子力学过程的更强大的学习机器将会出现
这是我开始攻读博士学位时的愿望
D
在加州理工学院
" 开发基于量子力学过程的更先进机器的第一步是更好地理解当前技术如何处理和操纵量子系统和量子信息
实现这一目标的标准方法被称为量子态层析成像，通过学习量子系统的完整描述来工作
然而，这需要指数数量的测量，以及相当大的计算内存和时间
因此，当使用量子态断层扫描时，机器目前无法支持超过数十个量子位的量子系统
近年来，研究人员提出了许多基于人工神经网络的技术，可以显著增强机器的量子信息处理
然而，不幸的是，这些技术并不能很好地适用于所有情况，并且允许它们工作的具体要求仍然不清楚
黄说:“为了给机器如何感知量子系统建立一个严格的基础，我们将我以前关于统计学习理论的知识与理查德·库恩(Richard Kueng)和约翰·普雷斯基尔(John Preskill)关于一个被称为酉t设计的美丽数学理论的专业知识结合起来。”
“统计学习理论是机器如何学习世界行为的近似模型的基础理论，而酉t设计是量子信息如何加扰的数学理论，这是理解量子多体混沌，特别是量子黑洞的核心
" 通过结合统计学习和酉t设计理论，研究人员能够设计出一个严格有效的程序，允许经典机器产生量子多体系统的近似经典描述
这些描述可以用来预测量子系统的一些性质，这些性质是通过进行最少数量的量子测量来研究的
黄说:“为了构建量子态的近似经典描述，我们执行了一个随机测量过程，如下所示。”
“我们对一些随机的量子进化进行了取样，这些进化将应用于未知的量子多体系统
这些随机的量子进化通常是混乱的，会扰乱储存在量子系统中的量子信息
" 研究者采样的随机量子演化最终使得利用酉t设计的数学理论来研究量子黑洞这样的混沌量子系统成为可能
此外，黄和他的同事用一种测量工具研究了许多随机加扰的量子系统，这种测量工具引发波函数坍缩，这一过程将量子系统变成经典系统
最后，他们将随机量子进化与从他们的测量中得到的经典系统表示相结合，产生了感兴趣的量子系统的近似经典描述
“凭直觉，我们可以这样来看待这个过程，”黄解释说
“我们有一个指数高维的物体，量子多体系统，这是经典机器很难掌握的
我们通过使用随机/混沌量子进化将这个极高维度的物体随机投影到一个更低维度的空间
这组随机投影提供了这个指数高维物体的大致图像，经典表示允许我们预测量子多体系统的各种属性
" 黄和他的同事证明了通过结合统计学习结构和量子信息置乱理论，他们可以仅基于log(M)测量来精确地预测量子系统的M个性质
换句话说，他们的方法可以简单地通过重复测量特定次数的量子系统的特定方面来预测指数数量的性质
“传统的理解是，当我们想要测量M个性质时，我们必须测量量子系统的M倍，”黄说
“这是因为在我们测量了量子系统的一个性质之后，量子系统将会坍缩并成为经典
在量子系统变成经典之后，我们不能用由此产生的经典系统来测量其他性质
我们的方法通过执行随机生成的测量来避免这种情况，并通过组合这些测量数据来推断期望的属性
" 这项研究部分解释了最近开发的机器学习技术在预测量子系统特性方面取得的优异性能
此外，其独特的设计使他们开发的方法比现有的最大熵技术快得多，同时也使其能够更准确地预测量子多体系统的特性
“我们的研究严格地表明，从量子测量获得的数据中隐藏的信息比我们最初预期的要多得多，”黄说
“通过适当地组合这些数据，我们可以推断出这些隐藏的信息，并获得更多关于量子系统的知识
这意味着数据科学技术对量子技术发展的重要性
" 该团队进行的测试结果表明，要利用机器学习的力量，首先必须对内在的量子物理机制有一个很好的理解
黄和他的同事们表明，虽然直接应用标准的机器学习技术可以得到令人满意的结果，但是将机器学习和量子物理背后的数学有机地结合起来会产生更好的量子信息处理性能
“鉴于用经典机器感知量子系统的严格基础，我的个人计划是现在朝着创造一个能够操纵和利用量子力学过程的学习机器迈出下一步，”黄说
“特别是，我们希望对机器如何学习解决量子多体问题提供坚实的理解，例如对物质的量子相进行分类或找到量子多体基态
" 这种构建量子系统经典表示的新方法可以为使用机器学习解决涉及量子多体系统的挑战性问题开辟新的可能性
然而，为了更有效地解决这些问题，机器还需要能够模拟大量复杂的计算，这就需要进一步综合机器学习和量子物理的数学基础
在接下来的研究中，黄和他的同事计划探索新的技术来实现这种合成
黄说:“与此同时，我们也在努力改进和开发新的工具，从量子实验学家收集的数据中推断出隐藏的信息。”
“实际系统中的物理限制为开发更先进的技术提供了有趣的挑战
这将进一步让实验学家看到他们原本看不到的东西，并有助于推进量子技术的现状
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
