史上首次，科學家將人工智能應用于量子物理領域，采用機器學習的方法重構了基于相對較少實驗測量的量子系統(tǒng)，速度是傳統(tǒng)窮舉法的指數(shù)倍。

背景

人工智能，是時下非常熱門的前沿科技領域之一，發(fā)展?jié)摿κ志薮蟆?/p>

目前，我們最熟悉的人工智能應用有：訓練無人駕駛汽車和圍棋人工智能程序（AlphaGo）。除此之外，人工智能的應用還有很多，在之前的文章中，筆者也介紹過一些比較新穎的人工智能應用案例。

1）位于美國洛杉磯的一家創(chuàng)業(yè)公司開發(fā)的人工智能“ebo box” ，會通過深度學習算法，分析市場數(shù)據(jù)，為你挑選完美的禮物，使你免去了費時費力挑選禮品之苦。

（圖片來源：ebo-box）

2）美國麻省理工學院發(fā)明了一種將人工智能與可穿戴技術相結合的系統(tǒng)，它能夠基于個人的言語方式和生命體征，判斷出談話是愉快的、悲傷的或是中性的。

（圖片來源于：MIT）

3）美國紐約大學的科研團隊使用人工智能機器學習算法，開發(fā)出一種鑒別假貨的新系統(tǒng)。

（圖片來源：Entrupy Inc.）

4）美國華盛頓大學研究人員開發(fā)出首個智能手機應用程序，通過將智能手機與人工智能相結合，可以實現(xiàn)隨時隨地檢測腦震蕩和腦損傷。

（圖片來源：Dennis Wise / 華盛頓大學）

5）美國斯坦福大學研究人員采用人工智能方法，從眾多候選材料中，找到了約21個固體電解質(zhì)材料用于開發(fā)更加安全的固體鋰電池。未來，它有望取代易燃的液體電解質(zhì)，在智能手機、平板電腦以及其他電子設備中使用。

創(chuàng)新

今天，我要為大家介紹有關人工智能的一個新應用，它在“量子物理”和“人工智能”兩個看似不相關的前沿科技領域之間架起了橋梁，通過人工智能方法幫助物理學家們探索復雜的量子世界。

史上首次，科學家們采用機器學習重構了基于相對較少的實驗測量的量子系統(tǒng)。該方法將使科學家們可以完整地探索粒子系統(tǒng)，并且速度是傳統(tǒng)的窮舉法的指數(shù)倍。之前的方法要用幾千年時間才能重構復雜的量子系統(tǒng)，而現(xiàn)在的方法只需大概幾個小時就可以全部分析完。

（圖片來源：Giuseppe Carleo / Flatiron 研究所）

這項研究將惠及量子計算機以及其他量子力學應用的開發(fā)，研究人員將這一成果發(fā)表于2月26日的《自然物理（Nature Physics）》雜志。

論文合著者之一、位于紐約市的 Flatiron 研究所計算量子物理中心的副研究科學家 Giuseppe Carleo 表示：“我們展示了，機器智能通過一種緊湊的方式，抓住量子系統(tǒng)的本質(zhì)。我們現(xiàn)在可以有效地擴展實驗容量。”

技術

Carleo 在瑞士蘇黎世聯(lián)邦理工學院（ETH Zurich）做講師時，就進行了相關研究，當時他受到了 AlphaGo 的啟發(fā)，這一計算機程序于2016年使用機器學習擊敗了圍棋世界冠軍。他說：“AlphaGo 讓人印象非常深刻，所以我們開始問自己，我們是否將這些理念用于量子物理？”

粒子（例如電子）組成的系統(tǒng)，能以許多不同的狀態(tài)存在，每種狀態(tài)都代表一種特殊可能性的產(chǎn)生。例如，每個電子既可向上自旋，也可向下自旋。對于這一點，我們可以用著名的思想實驗“薛定諤的貓”來類比，這只貓既可以是死的，也可以是活的，它處于生和死的疊加態(tài)。在量子領域，未經(jīng)觀察的系統(tǒng)一直保持著不確定性，它不會以這些狀態(tài)中的某一個確定狀態(tài)存在。相反，系統(tǒng)被認為可以同時具有這些可能性。

（圖片來源：維基百科）

一旦經(jīng)過測量，系統(tǒng)就會“坍塌”成一個特定的狀態(tài)。打個比方，當你打開盒子的時候，薛定諤的貓要么是死的，要么是活的，一切變得確定。在量子力學中，這種“奇事”表示，你將無法在單個實驗中觀察到整個系統(tǒng)的復雜性。相反，實驗主義者會反復進行同樣的實驗，直到他們可以判斷出整個系統(tǒng)的狀態(tài)。

對于只有幾個粒子的簡單系統(tǒng)，這個方法很管用。但是，Carleo 表示：“在許多粒子的情況下，事情就變得復雜了。”隨著粒子數(shù)量增加，復雜性也在猛增。如果只考慮每個電子向上自旋或者向下自旋，那么含有5個電子的系統(tǒng)就會有32種狀態(tài)。含有100個電子的系統(tǒng)含有的狀態(tài)，將會是一個非常巨大的天文數(shù)字（2的100次方）。

粒子糾纏讓事情變得更加復雜。經(jīng)過量子糾纏，獨立的粒子變得糾纏在一起，即使它們在物理上處于分離狀態(tài)，也不能夠再以純粹分離的個體來對待它們。這種糾纏改變了不同狀態(tài)的可能性。

因此，對于復雜的量子系統(tǒng)來說，傳統(tǒng)方法不可行。

加拿大滑鐵盧大學和 Perimeter 研究所的 Giacomo Torlai、Carleo 等研究人員，通過機器學習技術，避開了這些限制因素。研究人員將量子系統(tǒng)的實驗測量結果，反饋到基于人工神經(jīng)網(wǎng)絡的軟件工具中。這些軟件隨著時間推移而進行學習，嘗試模仿系統(tǒng)的行為。一旦軟件獲取到足夠的數(shù)據(jù)，它將精準地重構整個量子系統(tǒng)。

價值

研究人員采用基于不同的簡單量子系統(tǒng)的 mock 實驗數(shù)據(jù)集，測試該軟件。這些測試表明，軟件遠遠超越了傳統(tǒng)方法。對于8個電子來說，每一個都可以向上自旋或者向下自旋，軟件能夠僅僅通過約100次測量，就精準地重構了系統(tǒng)。作為對比，傳統(tǒng)的窮舉法需要約1百萬次的測量，才能達到同樣的精準程度。這種新技術也可以用于處理更大型的系統(tǒng)?？茖W家們表示，這個能力也可以相應地幫助科學家驗證量子計算機是否正確配置，以及量子軟件是否按照要求運行。

利用這種緊湊的人工神經(jīng)網(wǎng)絡抓住復雜量子系統(tǒng)的本質(zhì)，還有其他意義深遠的影響。計算量子物理中心的聯(lián)合主任 Andrew Millis 表示，這個方法提供了一種重要的新途徑，有利于中心繼續(xù)開發(fā)用于理解量子系統(tǒng)交互行為的新方案，并聯(lián)系其他受量子物理啟發(fā)的機器學習方案的工作。

除了基礎研究方面的應用，Carleo 表示，在將機器學習與量子力學的理念融合時，他們學到的知識，也將幫助改善人工智能在多個方面的應用。他說：“我們將在其他場景中使用我們在這里開發(fā)的方法。將來有一天，我們也許將擁有受量子力學啟發(fā)的無人駕駛汽車。”