机器学习新算法更好描述量子系统模型

　　近日，英国布里斯托大学量子工程技术实验室的研究人员在《自然·物理学》杂志上发表一篇新论文，解释了一种通过充当自主代理，使用机器学习对哈密顿模型进行逆向工程的算法。这种新算法对量子系统基本物理原理提供了宝贵见解，有望带来量子计算和传感领域的重大进步，并有可能翻开科学研究的新篇章。

　　在物理学中，粒子系统及其演化都是通过数学模型来描述的，这需要理论和实验相互验证。更复杂的则是在量子力学水平上描述粒子相互作用的系统，这通常需要使用哈密顿模型来完成。但量子态的性质使这一过程变得更加困难，当人们试图检查量子态时，量子态就会崩溃。而此次开发的算法可以克服这一困难。

　　该团队开发了一种新的协议来制定和验证量子系统的近似模型。他们的算法可自主运行，在目标量子系统上设计和执行实验，数据最终被反馈到算法中。该算法提出了描述目标系统的候选哈密顿模型，并用统计度量，即贝叶斯因子对目标系统进行了区分。

　　钻石是进行量子信息处理和量子传感的良好平台，研究团队利用钻石中晶格空位缺陷在真实的量子实验中成功展示了这一算法的能力。

　　该算法可以帮助自动描述新设备的特征，比如量子传感器，因此这一进展代表着量子技术发展的重大突破。

　　布里斯托尔大学量子工程技术实验室和量子工程博士培训中心的布莱恩·弗林表示：“将当今超级计算机的能力与机器学习相结合，能够自动发现量子系统中的结构。随着新的量子计算机/模拟器问世，算法会带来更多惊喜：首先它可以帮助验证设备本身的性能，然后可利用这些设备理解越来越大的系统。”

　　研究人员表示，了解基本的物理学和量子系统模型，有助于我们掌握更多有关量子计算和量子感测技术方面的知识。

　　下一步，研究人员将扩展算法，以探索更大的系统以及代表不同物理状态或基础结构的不同类别的量子模型。（实习记者张佳欣）