【博科园-科学科普（关注“博科园”看更多）】用来训练自动驾驶汽车和象棋计算机的技术，现在正在帮助物理学家探索量子世界的复杂性。物理学家第一次证明了机器学习可以基于相对较少的实验测量来重建一个量子系统。这种方法将使科学家彻底探测粒子系统，比传统的蛮力技术快得多。复杂的系统需要数千年的时间来重建，而以前的方法可以在几个小时内全部分析。研究人员在2月26日的《自然物理》杂志上报道说，这项研究将有利于量子计算机的发展和量子力学的其他应用。
图片版权：CC0 Public Domain
纽约Flatiron研究所计算量子物理中心的副研究员，研究合作者Giuseppe Carleo说：我们已经证明了机器智能可以以一种紧凑的方式捕捉量子系统的本质，我们现在可以有效地扩展实验的能力。Carleo是在苏黎世ETH的讲师，他的研究是由AlphaGo启发而来的。这款电脑程序在2016年用机器学习打败了世界围棋冠军。AlphaGo真的令人印象深刻，所以我们开始问自己，我们如何在量子物理中使用这些想法。
像电子这样的粒子系统可以存在于许多不同的结构中，每一种都有特定的发生概率。例如每个电子可以有向上或向下的旋转，类似于薛定谔的猫在著名的思想实验中死亡或活着。在量子领域中，未观测到的系统并不存在于这些排列中。相反系统可能被认为是同时存在于所有可能的配置中。当测量时，系统会崩溃成一个配置，就像薛定谔的猫在你打开它的盒子后要么死了，要么活着。这种量子力学的怪癖意味着你永远无法在一个实验中观察整个系统的复杂性。相反实验主义者反复进行相同的测量，直到他们能够确定整个系统的状态。
这种方法适用于只含有少量粒子的简单系统。但是“很多粒子会变得很脏。随着粒子数量的增加，复杂性增加了。如果考虑到每个电子都可以向上或向下旋转，那么一个5个电子的系统就有32个可能的构型。一个由100个电子组成的系统拥有超过1百万的万亿。粒子的纠缠使问题更加复杂。通过量子纠缠，独立的粒子相互交织，即使在物理上分离，也不再被视为纯独立的实体。这种纠缠改变了不同构型的概率。因此，传统的方法对于复杂的量子系统是不可行的。
滑铁卢大学的Giacomo Torlai和加拿大的圆周研究所，Carleo和他的同事利用机器学习技术规避了这些限制。研究人员将量子系统的实验测量结果反馈给基于人工神经网络的软件工具。软件会随着时间的推移而学习，并试图模仿系统的行为。一旦软件获得足够的数据，它就能准确地重建完整的量子系统。研究人员使用基于不同样本量子系统的模拟实验数据集测试了该软件。在这些测试中，软件远远超过了传统的方法。对于八个电子，每一个都有向上或向下的旋转，软件可以精确地重建系统，只有大约100个测量值。相比之下，传统的强力方法需要近100万的测量才能达到同样的精确度。新技术也可以处理更大的系统。
研究人员认为，这种能力可以帮助科学家验证量子计算机是否正确设置，任何量子软件都能按预期运行。用紧凑的人工神经网络捕捉复杂量子系统的本质，还有其他深远的影响。计算量子物理中心的副主任Andrew Millis指出，这些想法为该中心正在开发的新方法提供了一种重要的新方法，以理解相互作用的量子系统的行为，并与其他量子物理激发的机器学习方法联系起来。除了应用于基础研究之外，研究小组在混合机器学习和量子物理理论的过程中学习到的经验，也可以改进人工智能的通用应用。他说:“我们可以使用我们在其他环境中开发的方法。有一天可能会有一辆灵感来自量子力学的自动驾驶汽车，谁知道呢？
知识：科学无国界，博科园-科学科普
参考：Nature Physics
内容：经“博科园”判定符合今主流科学
来自：Flatiron Institute
编译：光量子
审校：博科园
解答：本文知识疑问可于评论区留言
传播：博科园
