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，速度是傳統窮舉法的指數倍。

背景

人工智能，是時下非常熱門的前沿科技領域之一，發展潛力十分巨大。

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業公司開發的人工智能“ebo box” ，會通過深度學習算法，分析市場數據，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明了一種將人工智能與可穿戴技術相結合的系統，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，開發出一種鑒別假貨的新系統。

（圖片來源：Entrupy Inc.）

4）美國華盛頓大學研究人員開發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個固體電解質材料用于開發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，在智能手機、平板電腦以及其他電子設備中使用。

創新

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。該方法將使科學家們可以完整地探索粒子系統，并且速度是傳統的窮舉法的指數倍。之前的方法要用幾千年時間才能重構復雜的量子系統，而現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，研究人員將這一成果發表于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，抓住量子系統的本質。我們現在可以有效地擴展實驗容量。”

技術

Carleo 在瑞士蘇黎世聯邦理工學院（ETH Zurich）做講師時，就進行了相關研究，當時他受到了 AlphaGo 的啟發，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，能以許多不同的狀態存在，每種狀態都代表一種特殊可能性的產生。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。在量子領域，未經觀察的系統一直保持著不確定性，它不會以這些狀態中的某一個確定狀態存在。相反，系統被認為可以同時具有這些可能性。

（圖片來源：維基百科）

一旦經過測量，系統就會“坍塌”成一個特定的狀態。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的狀態。

對于只有幾個粒子的簡單系統，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個電子的系統就會有32種狀態。含有100個電子的系統含有的狀態，將會是一個非常巨大的天文數字（2的100次方）。

粒子糾纏讓事情變得更加復雜。經過量子糾纏，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，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的可能性。

因此，對于復雜的量子系統來說，傳統方法不可行。

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的實驗測量結果，反饋到基于人工神經網絡的軟件工具中。這些軟件隨著時間推移而進行學習，嘗試模仿系統的行為。一旦軟件獲取到足夠的數據，它將精準地重構整個量子系統。

價值

研究人員采用基于不同的簡單量子系統的 mock 實驗數據集，測試該軟件。這些測試表明，軟件遠遠超越了傳統方法。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。作為對比，傳統的窮舉法需要約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。科學家們表示，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網絡抓住復雜量子系統的本質，還有其他意義深遠的影響。計算量子物理中心的聯合主任 Andrew Millis 表示，這個方法提供了一種重要的新途徑，有利于中心繼續開發用于理解量子系統交互行為的新方案，并聯系其他受量子物理啟發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的方法。將來有一天，我們也許將擁有受量子力學啟發的無人駕駛汽車。”