關于量子計算機的討論很多，這是有充分理由的。這些未來派計算機旨在模擬自然界在微觀尺度上發(fā)生的事情，這意味著它們有能力更好地了解量子領域并加快新材料的發(fā)現(xiàn)，包括藥物、環(huán)保化學品等。然而，專家表示，可行的量子計算機仍然需要十年或更長時間。研究人員在此期間要做什么？

加州理工學院領導的一項新研究發(fā)表在《科學》雜志上，描述了在經(jīng)典計算機上運行的機器學習工具如何用于預測量子系統(tǒng)，從而幫助研究人員解決一些棘手的物理和化學問題。雖然這個概念之前已經(jīng)提出，但新報告是個在數(shù)學上證明該方法適用于傳統(tǒng)算法無法解決的問題。

“量子計算機是解決許多類型的物理和材料科學問題的理想選擇，”主要作者 Hsin-Yuan (Robert) Huang 說，他是與John Preskill、理論物理學教授 Richard P. Feynman 和 Allen VC Davis合作的研究生，以及Lenabelle Davis量子科學與技術研究所 (IQIM)領導主席。“但我們還沒有完全做到這一點，我們驚訝地發(fā)現(xiàn)同時可以使用經(jīng)典的機器學習方法。終，這篇論文是關于展示人類可以從物理世界中學到什么。”

在微觀層面上，物理世界變成了一個受量子物理定律支配的極其復雜的地方。在這個領域中，粒子可以以疊加態(tài)存在，也可以同時以兩種態(tài)存在。狀態(tài)的疊加會導致糾纏，這是一種粒子連接或相關的現(xiàn)象，甚至沒有相互接觸。這些在天然和人造材料中普遍存在的奇怪狀態(tài)和聯(lián)系很難用數(shù)學來描述。

“預測材料的低能狀態(tài)非常困難，”黃說。“有大量的原子，它們是疊加和糾纏的。你無法寫出一個方程式來描述這一切。”

這項新研究證明了經(jīng)典機器學習可用于彌合我們與量子世界之間的鴻溝。機器學習是一種模仿人腦從數(shù)據(jù)中學習的計算機應用程序。

“我們是生活在量子世界中的經(jīng)典生物，”Preskill 說。“我們的大腦和計算機是經(jīng)典的，這限制了我們與量子現(xiàn)實互動和理解的能力。”

雖然之前的研究表明機器學習模型有能力解決一些量子問題，但這些方法的運行方式通常使研究人員難以了解機器是如何得出解決方案的。

“通常，在機器學習方面，你不知道機器是如何解決問題的。它是一個黑匣子，”黃說。“但現(xiàn)在我們基本上已經(jīng)通過我們的數(shù)學分析和數(shù)值模擬弄清楚了盒子里發(fā)生了什么。” Huang 和他的同事與加州理工學院的AWS 量子計算中心合作進行了廣泛的數(shù)值模擬，這證實了他們的理論結(jié)果。

這項新研究將幫助科學家更好地理解和分類量子物質(zhì)的復雜和奇異相。

“令人擔心的是，在實驗室中創(chuàng)造新量子態(tài)的人可能無法理解它們，”Preskill 解釋說。“但現(xiàn)在我們可以獲得合理的經(jīng)典數(shù)據(jù)來解釋發(fā)生了什么。經(jīng)典機器不僅像神諭一樣給我們答案，而是引導我們走向更深層次的理解。”

合著者、NIST（美國標準與技術研究院）物理學家、加州理工學院前杜布里奇獎博士后學者 Victor V. Albert 對此表示贊同。“這項工作讓我興奮的部分是，我們現(xiàn)在更接近一種工具，可以幫助你了解量子態(tài)的基本階段，而無需你提前非常了解該狀態(tài)。”

科學家們說，終，當然，未來基于量子的機器學習工具將勝過經(jīng)典方法。在2022 年 6 月 10 日發(fā)表在《科學》雜志上的一項相關研究中，Huang、Preskill 及其合作者報告說，他們使用谷歌的 Sycamore 處理器（一種基本的量子計算機）來證明量子機器學習優(yōu)于經(jīng)典方法。

“我們?nèi)蕴幱谶@一領域的起步階段，”黃說。“但我們確實知道，量子機器學習終將是有效的。”

這項名為“可證明有效的量子多體問題機器學習”的科學研究由 J. Yang 和家庭基金會、能源部和科學基金會 (NSF) 資助。