Nat.Commun.：量子神经网络实现“学习”的巨大飞跃

光子盒研究院

现在，EPFL的科学家们表明，即使是一些简单的例子也足以让量子机器学习模型——“量子神经网络”学习和预测量子系统的行为，使我们更接近量子计算的新时代。

由于Zoe Holmes教授和她在EPFL的团队领导的一项开创性研究表示，我们现在更接近于实现量子现实。他们与加州理工学院、柏林自由大学和洛斯阿拉莫斯国家实验室的研究人员合作，找到了一种教量子计算机如何理解和预测量子系统行为的新方法。

这项研究已经发表在《自然·通讯》上。

Out-of-distribution generalization for learning quantum dynamics

未来，计算机可以揭开量子力学的神秘面纱，使我们能够研究复杂材料的行为或以前所未有的精度模拟分子的复杂动态。

研究人员研究了量子神经网络（QNNs），这是一种机器学习模型，旨在利用受量子力学启发的原理学习和处理信息，以模仿量子系统的行为。

就像人工智能中使用的神经网络一样，QNN由相互连接的节点或“神经元”组成，用于进行计算。不同的是，在QNN中，神经元根据量子力学的原理运作，使它们能够处理和操纵量子信息。

“通常情况下，当我们教计算机一些东西时，我们需要大量的案例。”Holmes说：“但在这项研究中，我们表明，只需几个简单的例子，称为‘乘积态(product state)’，计算机就能学会量子系统的行为方式，即使是在处理纠缠状态时也是如此（纠缠状态更加复杂，对理解也有挑战性）！”

科学家们使用的乘积态是量子力学中的一个概念，描述了一个量子系统的特定类型的状态。

例如，如果一个量子系统是由两个电子组成的，那么当每个单独的电子的状态被独立考虑，然后结合起来时，它的乘积态就形成了。

乘积态经常被用作量子计算和测量的起点，因为它们为研究和理解量子系统的行为提供了一个更简单和更容易管理的框架；然后再进入更复杂和纠缠的状态，其中的粒子是相关的，不能被独立描述。

研究人员证明，通过只用这些简单的例子训练QNN，计算机就可以有效地掌握纠缠的量子系统的复杂动力学。

量子动力学学习的应用

训练结果

Holmes解释说：“这意味着[我们]也许能够使用更小、更简单的计算机来学习和理解量子系统。比如，我们在未来几年可能拥有的含噪声中等规模(NISQ)的计算机，而不是需要大型和复杂的计算机。当然，这可能是几十年后的事情。”

这项工作还为使用量子计算机解决重要问题开辟了新的可能性，如研究复杂的新材料或模拟分子的行为。

最后，该方法通过创建更短、更容错的程序，提高了量子计算机的性能。“通过学习量子系统的行为方式，我们可以简化量子计算机的编程，从而提高效率和可靠性。”Holmes说：“我们可以通过使量子计算机的程序更短、更不容易出错，来使其变得更好。”

参考链接：

[1]https://www.nature.com/articles/s41467-023-39381-w#Fig1

[2]https://scienceblog.com/538608/quantum-computers-embrace-quantum-mechanics/

[3]https://phys.org/news/2023-07-quantum-neural-networks-easier.html