加州大学科研团队利用机器学习揭示量子测量新方法，突破传统观察限制

编译：乌鸦少年

近年来，量子计算的迅猛发展让科学界对量子测量的研究愈发关注。特别是加州大学圣迭戈分校、加州大学伯克利分校、普林斯顿大学、普渡大学、劳伦斯伯克利国家实验室以及谷歌研究院的合作科研团队，近日通过一项新的研究，利用机器学习技术成功揭示了量子测量的新方式，突破了传统观察的局限性。这一成果不仅为量子计算提供了新的思路，还为未来的量子信息科学奠定了基础。

研究论文题为《Machine learning the effects of many quantum measurements》，已发布于预印本arXiv（链接：https://arxiv.org/abs/2509.08890）。在这项研究中，团队提出了一种用于观测“诱导纠缠”（measurement-induced entanglement）的方法。这种诱导纠缠是指，量子系统中某一部分的状态测量能够产生与其他原本无关的粒子之间的关联，这在量子计算及其信息处理与保护中具有极其重要的作用。

一、诱导过程及挑战

量子比特（qubit）是量子计算的基本单位，其表现出的量子特性使得量子计算机能够在长距离上产生量子纠缠，进而实现高效的信息处理。在对多量子比特进行测量时，观察到的后状态依赖于大量的随机结果，常常导致量子测量的结果难以追踪。这种情况下，研究者们面临着如何有效观察多个量子比特所产生结果的挑战。

以往，科学家在处理量子实验时不得不重复实验多次，获取大量数据以便找到稀有而有意义的结果。这样的方法对大规模量子系统而言不仅时间成本高，而且在某些情况下几乎不可能实现。为了克服这一困难，该研究团队提出运用机器学习模型直接对来自量子实验的原始数据进行训练，从而揭示这些潜在的、难以捕捉的量子过程关联。

二、机器学习模型的应用

在实验中，研究小组利用谷歌开发的超导量子处理器，这些量子处理器在2019年因实现“量子霸权”而闻名。团队成功地制备了“簇态”（Cluster States），其中量子比特按链状或网格结构排列，并通过这个结构进行测量。为了探究探针量子比特之间是否由于存在的关联而产生纠缠，研究者只保留了系统中的两个探针量子比特，并对其余的比特进行了测量。

研究表明，使用无监督的神经网络可以有效重建探针量子比特的状态模型。实验结果显示，神经网络在34个一维量子比特链和36个二维量子比特网格中，均能够成功地观察到诱导的状态。这为之前的量子测量提供了新的视角，使得研究者可以不必事先了解量子态的制备方式，也能有效预测量子比特间的相互作用。

三、诱导相变的发现

随着实验参数的调整，研究团队观察到模型表现出明显的变化。在特定的参数范围内，神经网络能够成功学习和揭示量子比特之间的诱导关系；而在其他参数范围内，则表现出平坦无特征的预测，暗示着一种新发现的“诱导相变”。这一发现可能将为量子物理学中的相变理论提供新的解释与理解。

四、研究的实际意义

这一革命性的研究成果为量子技术的未来呈现了多重可能性。例如，它为更大规模量子系统的集体现象研究提供了一种可扩展的方法，突破了传统受限于小型“玩具模型”的局限。该方法有望应用于所有领域，特别是在量子计算的错误纠正方案设计中。

研究团队还指出，现有的机器学习模型能够帮助解决因量子比特中的错误导致的随机性问题，并从混杂的实验数据中提取出有用的信息。这种新方法使得纠错方案能够扩展到更加复杂和现实的量子系统中去，提高量子计算机的整体稳定性。

五、技术和理论展望

尽管研究成果具有革命性，但也同时揭示了机器学习模型在量子科学应用上的局限性，并强调了对量子器件中噪声和退相干的敏感性。在应对复杂系统时，研究者们仍需收集庞大的数据集，尽管这已远低于所有可能结果的数量。在未来，研究团队希望将这一方法拓展至超冷原子和分子系统，以更广泛地适应各种量子实验条件。

研究者们通过这一前沿技术的探索，不仅展示了机器学习在量子科学中的巨大潜力，更为理解这一复杂领域提供了全新的思路。未来，随着新技术的不断发展，量子测量与观察的界限必将被进一步拓宽，为真正的量子计算机实现铺平道路。