呆板进修展现量子体系的底层物理道理,助力物理教发觉

2022-11-16 16:32:46 作者:不败的传说
导读:机器学习揭示量子系统的底层物理原理,助力物理学发现,编译/文龙在量子力学中,复杂的粒子系统演化通常是用一种名为「哈密顿量」的数学模型来描述的,但需要理论论证和实验验证成功地相互...

编译/文龙

在量子力学中,庞大的粒子体系演化通常是用一种名为「哈密顿量」的数学模子来形貌的,但必要理论论证和试验验证乐成地相互印证。然而,量子态不稳健的素质使依据观察值创建哈密顿量模子的历程变得困难,当试图查抄它们时,量子态就会瓦解。

近来,布里斯托大学量子工程技能试验室(QETLabs)的科学家们开辟了一种新的协议,该协议通过利用呆板进修对哈密顿量模子举行逆向工程来充任自治署理,提供了对量子体系根本物理道理的珍贵看法。这项研究为量子盘算范畴的庞大前进摊平了门路,并大概会在科学研究范畴翻开新的篇章。

研究结果于4月29日以「从试验中进修量子体系的模子」(Learning models of quantum systems from experiments)为题颁发在杂志《天然·物理学》(Nature Physics)上。

在科学研究中,通常通过简化模子类似使根本特性得到了解。该模子的有用性取决于靠近现实物理体系的传神度,而且可以通过模子猜测与现实试验数据的同等性来丈量。然而,量子态的固有脆弱性和模仿量子体系的盘算庞大性使得研究职员很难通过试验数据为量子体系订定和测试哈密顿量。

QETLabs 团队开辟了一种新的名为「量子模子进修署理」(QMLA)的协议,可认为试验的量子体系订定和验证类似模子。他们的算法可以自主事情,在目的量子体系上举行设计并举行试验,然后将所得数据反馈到算法中。

图示:QMLA协议流程图。(泉源:论文)

更令人愉快的是,该团队使用金刚石中晶格空地缺陷在真实的量子试验中乐成展示了这一算法的本领。已知,金刚石是举行量子信息处置惩罚和量子传感的精良平台。

在开端仿真中,可以精确推测出确切的已知模子,乐成率高达59%。利用试验数据时,有74%的协议实例检索被以为公道的模子。研究职员还研究了10种大概的模子,通过在协议中纳入遗传算法的探究计谋(ES),该协议可在85%的实例中辨认目的模子。

图示:金刚石中氮空地中间电子自旋研究中模仿数据和试验数据的 QMLA 效果。(泉源:论文)

关于哈密顿量和 QMLA

在量子力学中,哈密顿量是一个表现粒子体系总能量的可观察量,哈密顿算符孕育发生了量子态的时间演化。因为哈密顿量是对物理和化学历程举行研究和阐发的底子,是以老实于它们代表的体系至关紧张。QMLA 就很好的办理了先前无法对现实试验中的粒子体系创建类似模子的题目。

QMLA 是一种用于表征量子力学体系和设置装备摆设的呆板进修协议。它旨在确定最能解说所研究体系中观看到的数据的模子。为此,它思量了一系列候选模子,实行了进修历程以优化那些候选模子的性能,然后选择最佳候选模子。使用该历程中到现在为止得到的信息,可以迭代地构建新的候选模子,以进步模子的靠近度。

QMLA 可对模仿或试验数据举行建模,也可以与在线试验联合利用。用户可以开辟自界说 ES 并将其插入 QMLA 框架中,以便依据要求定位体系,运行试验并天生模子。该框架是模块化的,许可用户选择得当其要求的组合,或依据必要轻松添加功效。

呆板进修助力物理学发觉

QMLA 协议可以或许依据有限的先前假设自主订定和测试建模的署理开辟,可用于帮助像量子传感器这类主动表征的设置装备摆设。是以,该研究是朝着表征大量子体系迈出的根本一步,也是量子技能进展的庞大的突破。

图示:氮空地中间设置装备摆设,用于QMLA的试验展示。(泉源:phys.org)

「将当今超等盘算机的壮大功效与呆板进修相联合,我们可以或许主动发觉量子体系中的布局。随着新的量子盘算机、模仿器的显现,该算法变得越发令人愉快:起首,它可以关心验证设置装备摆设自己的性能,然后使用这些设置装备摆设来相识更大的体系,」QETLabs 的 Brian Flynn 说。

QETLabs 的前研究员 Andreas Gentile 说:「这种主动化程度使得在选择最佳模子之前可以担当种种假设模子,不然该使命对付庞大性不停进步的体系而言将是困难的。」

QETLabs 团结主任、布里斯托尔物理学院副传授 Anthony Laing 对这项研究有着高度的歌颂:「已往,我们寄托科学家的智力和辛劳事情来进展物理学。通过给予呆板具有从试验中进修和发觉物理的本领,研究团队有大概掀开科学研究的新篇章。厥后果简直是深远的。」

下一步,该团队打算陆续扩展算法,以探究更大的体系以及代表差别物理状态或差别种别的底子布局的量子模子。

论文链接:http://dx.doi.org/10.1038/s41567-021-01201-7

参考内容:

http://quantum-model-learning-agent.readthedocs.io/en/latest/overview.html

http://phys.org/news/2021-04-machine-algorithm-unravel-physics-underlying.amp

精彩图集