據外媒報道，美國陸軍作戰能力發展司令部陸軍研究實驗室（U.S. Army Combat Capabilities Development Command‘s Army Research Laboratory）與杜蘭大學（Tulane University）研究人員將機器學習與量子信息科學（QIS）結合起來，利用光子測量重建未知系統的量子態。

QIS是一個快速發展的領域，利用微觀量子系統的獨特特性，比如光的單個粒子或原子，打造通信、計算和傳感方面的強大應用，而利用傳統技術要么無法實現，要么效率較低。

陸軍企業研究實驗室科學家Brian Kirby博士表示，“我們想把機器學習應用到QIS中，因為機器學習系統能夠基于示例數據集做出預測，而無需對給定任務進行顯式編程。近年來，機器學習在計算機視覺等領域表現出色。在大量預先分類的圖像上訓練機器學習算法，然后可以正確地對從未見過的新圖像分類。”例如，銀行經常使用機器學習系統讀取支票上的筆跡，盡管系統程序之前從未見過這些特殊的筆跡。研究人員稱，這種圖像分類類似于根據測量數據重建量子態。

杜蘭大學研究員Sanjaya Lohani博士稱，“在圖像識別中，機器學習算法試圖判斷某種物體是汽車還是自行車。在尋找測量數據中暗示數據來源的特定特征時，機器學習系統同樣有效。在這兩種情況下，輸入數據都可看作是一個二維數組，而機器學習系統試圖從中挑選出特定的特征。”

為了描述未知的量子系統，研究團隊使用了量子態斷層掃描（QST）技術。研究人員準備和測量了相同的未知量子系統，并用復雜的計算過程確定了與測量結果最一致的量子系統。然而，研究人員還需要開發方法，以處理與量子信息協議相關的經典信息。杜蘭大學Ryan Glasser教授稱，“該領域經常忽略了操作量子信息系統所需要的經典信息處理。隨著研究和能力的成熟，現實世界部署指日可待，這些都是我們需要解決的問題。”

最近，研究人員開發了一個系統，可以重建量子態和標準，在一些情況下要優于需要更多計算資源的方法。杜蘭大學研究員Onur Danaci表示，“我們意識到我們可以在原始模擬中匹配現有系統性能，我們想看看是否可以通過訓練系統來預測常見錯誤，從而建立在應對常見錯誤時的恢復能力。”

為此，該團隊模擬了測量中常見的誤差來源，比如未對準的光學元件，并利用其訓練機器學習系統。當測量結果不僅有噪音，而且完全丟失時，研究人員對系統進行進一步測試。Danaci表示，該團隊的方法在每種情況下都優于傳統的狀態重建方法，同時需要更少的計算資源。

由于該團隊可將所有昂貴的計算提前加載到訓練過程中，因此實際重建需要的資源相對較少。Kirby表示，研究人員希望在未來將這些預先訓練好的便攜式量子系統部署在小型現場設備中，例如無人機或車輛等硬件空間有限的應用。