研究人员利用机器学习来高效和准确验证量子设备

在可以预见的未来，会有更多的技术会利用量子力学。这些技术可能包括使用量子信息作为输入和输出数据的设备，由于固有的不确定性，这些设备需要仔细验证。如果设备的输出取决于过去的输入，那么验证就更具挑战性。现在研究人员首次利用机器学习，通过纳入这些系统中存在的某种记忆效应，极大地提高了对时间依赖性量子设备的验证效率。 sZA7)Z
`7  
,x&T8o/a  
量子计算机成为科学媒体的头条新闻，但这些机器被大多数专家认为仍处于起步阶段。然而，一个量子互联网可能离现在更近一些。与我们目前的互联网相比，这将提供显著的安全优势，以及其他方面。但即使是这样，也将依赖于那些尚未在实验室外看到曙光的技术。虽然可以创造我们的量子互联网的设备的许多基本原理可能已经被研究出来，但要实现这些产品，还有许多工程挑战。但许多研究正在进行中，以创建设计量子设备的工具。 7;5SK:X%dm  
]9F$/M#  
)$XcO]  
来自东京大学信息科学与技术研究生院的博士后研究员 Quoc Hoan Tran 和副教授 Kohei Nakajima 开创了一种工具，他们认为这可以使验证量子设备的行为成为比目前更有效和更精确的工作。他们的贡献是一种算法，可以通过简单地学习量子输入和输出之间的关系来重建时间依赖性的量子设备的工作原理。这种方法在探索一个经典的物理系统时其实是很常见的，但量子信息的存储一般都很棘手，这通常使其无法实现。 Gg8F>y<[R  
b
dP @^Q  
Tran 说：“基于输入和输出来描述一个量子系统的技术被称为量子过程断层扫描。然而，许多研究人员现在报告说，他们的量子系统表现出某种记忆效应，即现在的状态受到以前状态的影响。这意味着对输入和输出状态的简单检查不能描述系统的时间依赖性质。你可以在每一次时间变化后重复建立系统模型，但这在计算上将是极其低效的。我们的目的是接受这种记忆效应，并将其用于我们的优势，而不是用蛮力来克服它”。 "K;f[&xO,o  
<BEM`2B  
Tran 和 Nakajima 求助于机器学习和一种叫做量子存储库计算（quantum reservoir computing）的技术来建立他们的新算法。这可以学习量子系统中随时间变化的输入和输出模式，并有效地猜测这些模式将如何变化，甚至在算法尚未见证的情况下。由于它不需要像更多的经验方法那样知道量子系统的内部运作，而只需要知道输入和输出，该团队的算法可以更简单，也可以更快地产生结果。 8\P!47'q  
tP^2NTs%]  
Tran 说：“目前，我们的算法可以模拟某种量子系统，但假设的设备在处理能力上可能差别很大，而且有不同的记忆效果。因此，下一阶段的研究将是扩大我们算法的能力，基本上使一些东西更通用，从而更有用。我对量子机器学习方法能做什么，对它们可能导致的假设设备感到兴奋”。