快捷搜索:  www.ymwears.cn

一种预测复杂量子系统性质的方法

预测复杂量子系统的性质是发展先进量子技术的关键一步。虽然世界各地的研究团队已经设计出了许多技术来研究量子系统的特性,但其中大多数仅在某些情况下被证明是有效的。

加州理工学院的三位研究人员最近介绍了一种新方法,可以通过有限的测量来预测复杂量子系统的多重属性。他们在《自然物理》上发表的一篇论文中概述了他们的方法,该方法被认为是非常高效的,并且可能为研究机器处理量子信息的方式开辟新的可能性。

“在我的本科阶段,我的研究集中在统计机器学习和深度学习,”执行这项研究的研究人员之一黄新元告诉Phys.org。当前机器学习时代的核心基础是能够使用高度并行化的硬件,如图形处理单元(GPU)或张量处理单元(TPU)。人们自然会想知道,在遥远的将来,一台能够利用量子力学过程的更强大的学习机器将如何出现。这是我在加州理工学院攻读博士学位时的愿望。”

开发更先进的基于量子力学过程的机器的第一步是更好地理解当前技术是如何处理和操纵量子系统和量子信息的。做这件事的标准方法,被称为量子态断层扫描,通过学习量子系统的整个描述来工作。然而,这需要指数级的测量,以及相当大的计算内存和时间。

因此,当使用量子态断层扫描时,机器目前无法支持超过数十个量子位元的量子系统。近年来,研究人员提出了许多基于人工神经网络的技术,可以显著增强机器的量子信息处理。然而,不幸的是,这些技术并不能很好地适用于所有情况,并且允许它们工作的具体需求仍然不清楚。

黄说:“为了为机器如何感知量子系统建立一个严格的基础,我们结合了我之前在统计学习理论方面的知识,以及Richard Kueng和John Preskill在一种被称为统一t设计的漂亮数学理论方面的专业知识。”“统计学习理论是机器如何学习世界如何运行的近似模型的基础理论,而一元t设计是数学理论,是量子信息如何混乱的基础,这是理解量子多体混沌,特别是量子黑洞的核心。”

通过结合统计学习和酉t设计理论,研究人员能够设计出一种严格而有效的程序,允许经典机器产生近似经典的量子多体系统描述。这些描述可以用来预测量子系统的几个性质,这些性质正在被研究通过执行最小数量的量子测量。

“为了构造量子态的近似经典描述,我们执行了如下所示的随机测量程序,”黄说。“我们抽取了一些随机量子进化的样本,这些样本将应用于未知的量子多体系统。这些随机的量子进化通常是混沌的,会扰乱存储在量子系统中的量子信息。”

研究人员采样的随机量子进化最终使单正t设计的数学理论能够用于研究诸如量子黑洞这样的混沌量子系统。此外,黄和他的同事们使用一种测量工具检测了一些随机打乱的量子系统,这种测量工具引发了波函数坍缩,这是一个将量子系统变成经典系统的过程。最后,他们结合随机量子演化与经典系统表示从他们的测量,产生一个近似的经典描述的量子系统的兴趣。

“直觉上,我们可以这样想这个过程,”黄解释道。“我们有一个指数高维的物体,量子多体系统,古典机器很难理解它。通过使用随机/混沌量子演化,我们对这个极其高维的物体进行了几次随机投影到一个低得多维的空间。这组随机投影提供了这个指数高维物体外观的粗略图像,而经典表示法允许我们预测量子多体系统的各种属性。”

黄和他的同事证明,通过结合统计学习结构和量子信息置乱理论,他们可以准确地预测一个量子系统的M个性质,仅仅基于对数(M)测量。换句话说,他们的方法可以简单地通过多次测量量子系统的特定方面来预测指数性质。

“传统的理解是,当我们想要测量M个性质时,我们必须测量量子系统M次,”黄说。“这是因为在我们测量了量子系统的一个特性之后,量子系统会坍缩,成为经典。当量子系统变成经典系统后,我们不能用由此产生的经典系统来测量其他性质。我们的方法通过执行随机产生的测量,并通过结合这些测量数据来推断所需的特性,从而避免了这种情况。

这项研究部分解释了最近发展的机器学习(ML)技术在预测量子系统性质方面取得的优异性能。此外,其独特的设计使他们开发的方法比现有的ML技术要快得多,同时也使其能够更准确地预测量子多体系统的特性。

“我们的研究严格地表明,从量子测量中获得的数据中隐藏了比我们最初预期的多得多的信息,”黄说。“通过适当地结合这些数据,我们可以推断出这些隐藏的信息,并获得更多关于量子系统的知识。”这意味着数据科学技术对量子技术发展的重要性。”

该团队进行的测试结果表明,为了充分利用机器学习的力量,首先必须对量子物理的内在机制有一个很好的理解。黄和他的同事们表示,尽管直接应用标准的机器学习技术可以得到令人满意的结果,但将机器学习背后的数学和量子物理有机地结合起来,可以得到更好的量子信息处理性能。

黄说:“鉴于用经典机器感知量子系统有严格的基础,我的个人计划是下一步创造一台能够操纵和利用量子力学过程的学习机。”“特别是,我们想要提供一个坚实的理解机器如何学习解决量子多体问题,例如分类物质的量子相或发现量子多体基态。”

这种构造量子系统经典表示法的新方法,可能为使用机器学习来解决涉及量子多体系统的具有挑战性的问题开辟新的可能性。然而,为了更有效地解决这些问题,机器还需要能够模拟大量复杂的计算,这将需要进一步综合机器学习和量子物理之间的数学基础。在接下来的研究中,黄和他的同事计划探索新的技术,使这种合成成为可能。

?2020科学X网络

您可能还会对下面的文章感兴趣: