機器學習新算法更好描述量子系統模型 有望帶來量子計算重大進步

近日，英國布里斯托大學量子工程技術實驗室的研究人員在《自然·物理學》雜志上發表一篇新論文，解釋了一種通過充當自主代理，使用機器學習對哈密頓模型進行逆向工程的算法。這種新算法對量子系統基本物理原理提供了寶貴見解，有望帶來量子計算和傳感領域的重大進步，并有可能翻開科學研究的新篇章。

在物理學中，粒子系統及其演化都是通過數學模型來描述的，這需要理論和實驗相互驗證。更復雜的則是在量子力學水平上描述粒子相互作用的系統，這通常需要使用哈密頓模型來完成。但量子態的性質使這一過程變得更加困難，當人們試圖檢查量子態時，量子態就會崩潰。而此次開發的算法可以克服這一困難。

該團隊開發了一種新的協議來制定和驗證量子系統的近似模型。他們的算法可自主運行，在目標量子系統上設計和執行實驗，數據最終被反饋到算法中。該算法提出了描述目標系統的候選哈密頓模型，并用統計度量，即貝葉斯因子對目標系統進行了區分。

鉆石是進行量子信息處理和量子傳感的良好平臺，研究團隊利用鉆石中晶格空位缺陷在真實的量子實驗中成功展示了這一算法的能力。

該算法可以幫助自動描述新設備的特征，比如量子傳感器，因此這一進展代表著量子技術發展的重大突破。

布里斯托爾大學量子工程技術實驗室和量子工程博士培訓中心的布萊恩·弗林表示：“將當今超級計算機的能力與機器學習相結合，能夠自動發現量子系統中的結構。隨著新的量子計算機/模擬器問世，算法會帶來更多驚喜：首先它可以幫助驗證設備本身的性能，然后可利用這些設備理解越來越大的系統。”

研究人員表示，了解基本的物理學和量子系統模型，有助于我們掌握更多有關量子計算和量子感測技術方面的知識。

下一步，研究人員將擴展算法，以探索更大的系統以及代表不同物理狀態或基礎結構的不同類別的量子模型。

總編輯圈點：

如果我們既不懂哈密頓，也不明白量子，那還能看懂這條消息嗎?很遺憾，不太能。但我們可以理解的是，量子力學的哈密頓描述無論對計算機科學還是物理學來說都有重大意義，這是用數學模型去描述和驗證量子物理不可繞開的一步，其不但是現階段計算能力的展現，還是未來更深遠理論拓展的基礎。(張佳欣)