史上首次！科学家利用人工智能重构量子系统

导读

史上首次，科学家将人工智能应用于量子物理领域，采用机器学习的方法重构了基于相对较少实验测量的量子系统，速度是传统穷举法的指数倍。

背景

人工智能，是时下非常热门的前沿科技领域之一，发展潜力十分巨大。

目前，我们最熟悉的人工智能应用有：训练无人驾驶汽车和围棋人工智能程序（AlphaGo）。除此之外，人工智能的应用还有很多，在之前的文章中，笔者也介绍过一些比较新颖的人工智能应用案例。

1）位于美国洛杉矶的一家创业公司开发的人工智能“ebo box” ，会通过深度学习算法，分析市场数据，为你挑选完美的礼物，使你免去了费时费力挑选礼品之苦。

（图片来源：ebo-box）

2）美国麻省理工学院发明了一种将人工智能与可穿戴技术相结合的系统，它能够基于个人的言语方式和生命体征，判断出谈话是愉快的、悲伤的或是中性的。

（图片来源于：MIT）

3）美国纽约大学的科研团队使用人工智能机器学习算法，开发出一种鉴别假货的新系统。

（图片来源：Entrupy Inc.）

4）美国华盛顿大学研究人员开发出首个智能手机应用程序，通过将智能手机与人工智能相结合，可以实现随时随地检测脑震荡和脑损伤。

（图片来源：Dennis Wise / 华盛顿大学）

5）美国斯坦福大学研究人员采用人工智能方法，从众多候选材料中，找到了约21个固体电解质材料用于开发更加安全的固体锂电池。未来，它有望取代易燃的液体电解质，在智能手机、平板电脑以及其他电子设备中使用。

创新

今天，我要为大家介绍有关人工智能的一个新应用，它在“量子物理”和“人工智能”两个看似不相关的前沿科技领域之间架起了桥梁，通过人工智能方法帮助物理学家们探索复杂的量子世界。

史上首次，科学家们采用机器学习重构了基于相对较少的实验测量的量子系统。该方法将使科学家们可以完整地探索粒子系统，并且速度是传统的穷举法的指数倍。之前的方法要用几千年时间才能重构复杂的量子系统，而现在的方法只需大概几个小时就可以全部分析完。

（图片来源：Giuseppe Carleo / Flatiron 研究所）

这项研究将惠及量子计算机以及其他量子力学应用的开发，研究人员将这一成果发表于2月26日的《自然物理（Nature Physics）》杂志。

论文合著者之一、位于纽约市的 Flatiron 研究所计算量子物理中心的副研究科学家 Giuseppe Carleo 表示：“我们展示了，机器智能通过一种紧凑的方式，抓住量子系统的本质。我们现在可以有效地扩展实验容量。”

技术

Carleo 在瑞士苏黎世联邦理工学院（ETH Zurich）做讲师时，就进行了相关研究，当时他受到了 AlphaGo 的启发，这一计算机程序于2016年使用机器学习击败了围棋世界冠军。他说：“AlphaGo 让人印象非常深刻，所以我们开始问自己，我们是否将这些理念用于量子物理？”

粒子（例如电子）组成的系统，能以许多不同的状态存在，每种状态都代表一种特殊可能性的产生。例如，每个电子既可向上自旋，也可向下自旋。对于这一点，我们可以用著名的思想实验“薛定谔的猫”来类比，这只猫既可以是死的，也可以是活的，它处于生和死的叠加态。在量子领域，未经观察的系统一直保持着不确定性，它不会以这些状态中的某一个确定状态存在。相反，系统被认为可以同时具有这些可能性。

（图片来源：维基百科）

一旦经过测量，系统就会“坍塌”成一个特定的状态。打个比方，当你打开盒子的时候，薛定谔的猫要么是死的，要么是活的，一切变得确定。在量子力学中，这种“奇事”表示，你将无法在单个实验中观察到整个系统的复杂性。相反，实验主义者会反复进行同样的实验，直到他们可以判断出整个系统的状态。

对于只有几个粒子的简单系统，这个方法很管用。但是，Carleo 表示：“在许多粒子的情况下，事情就变得复杂了。”随着粒子数量增加，复杂性也在猛增。如果只考虑每个电子向上自旋或者向下自旋，那么含有5个电子的系统就会有32种状态。含有100个电子的系统含有的状态，将会是一个非常巨大的天文数字（2的100次方）。

粒子纠缠让事情变得更加复杂。经过量子纠缠，独立的粒子变得纠缠在一起，即使它们在物理上处于分离状态，也不能够再以纯粹分离的个体来对待它们。这种纠缠改变了不同状态的可能性。

因此，对于复杂的量子系统来说，传统方法不可行。

加拿大滑铁卢大学和 Perimeter 研究所的 Giacomo Torlai、Carleo 等研究人员，通过机器学习技术，避开了这些限制因素。研究人员将量子系统的实验测量结果，反馈到基于人工神经网络的软件工具中。这些软件随着时间推移而进行学习，尝试模仿系统的行为。一旦软件获取到足够的数据，它将精准地重构整个量子系统。

（图片来源：参考资料【2】）

价值

研究人员采用基于不同的简单量子系统的 mock 实验数据集，测试该软件。这些测试表明，软件远远超越了传统方法。对于8个电子来说，每一个都可以向上自旋或者向下自旋，软件能够仅仅通过约100次测量，就精准地重构了系统。作为对比，传统的穷举法需要约1百万次的测量，才能达到同样的精准程度。这种新技术也可以用于处理更大型的系统。科学家们表示，这个能力也可以相应地帮助科学家验证量子计算机是否正确配置，以及量子软件是否按照要求运行。

利用这种紧凑的人工神经网络抓住复杂量子系统的本质，还有其他意义深远的影响。计算量子物理中心的联合主任 Andrew Millis 表示，这个方法提供了一种重要的新途径，有利于中心继续开发用于理解量子系统交互行为的新方案，并联系其他受量子物理启发的机器学习方案的工作。

除了基础研究方面的应用，Carleo 表示，在将机器学习与量子力学的理念融合时，他们学到的知识，也将帮助改善人工智能在多个方面的应用。他说：“我们将在其他场景中使用我们在这里开发的方法。将来有一天，我们也许将拥有受量子力学启发的无人驾驶汽车。”

关键字

参考资料

【1】https://www.simonsfoundation.org/2018/02/26/machine-learning-quantum-systems/

【2】https://www.nature.com/articles/s41567-018-0048-5

---

了解更多前沿技术文章，请点击“阅读原文”。咨询和交流，请联系微信：JohnZh1984