量子系统的经典机器学习

咋听起来，有人可能会感到奇怪，量子系统怎么跟经典机器学习联系在了一起。这里，我们先简单解释一下当代机器学习理论。

机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。随着大数据时代各行业对数据分析需求的持续增加，通过机器学习的算法高效地获取知识，已逐渐成为当今机器学习技术发展的主要推动力。

所以，机器学习具有两个核心要素：一是机器数据，二是机器算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。

我们都知道，当今的计算机有我们现在广泛使用的、传统的电子计算机，还有正在试验使用、不久即将实际应用的量子计算机。所以，除了传统数据、传统计算机算法之外，还存在有量子数据、量子计算机算法，如下表所示。

这样，将量子计算和机器学习理论结合起来就会有四种不同的方法与途径。第一个字母指的是所研究的系统数据是经典的还是量子的，而第二个字母指的是使用经典或量子信息处理设备。具体有这么四种：

种类涵义第一种：CC即Classical data，Classical algorithm的缩写，意为通过传统算法处理分析传统系统数据第二种：QC即Quantum data，Classical algorithm的缩写，意为通过传统算法处理分析量子系统的数据第三种：CQ即Classical data，Quantum algorithm的缩写，意为通过量子算法来处理分析传统系统的数据第四种：QQ即Quantum data，Quantum algorithm的缩写，意为通过量子算法来处理分析量子系统的数据

上面第一种和第二种常统称为传统机器学习，或简称为机器学习；第三种和第四种统称为量子机器学习，有时候也将第二种也列入为量子机器学习范畴。

第一种是当前的人工智能所广泛使用的机器算法及其所处理分析的数据，许多人都有所了解，就不用介绍了。在这里，我们先简单解释第二种，也就是本文的标题：量子系统的经典机器学习，这是当前在物理学研究中所使用的通过经典的机器算法来处理分析量子系统数据。

将经典的机器学习方法应用于量子系统的研究是当前物理学研究的一个新兴领域。经典机器学习有效地处理量子物理研究中的大量实验或计算数据，以便表征未知量子系统，使其有效地应用在包括量子信息理论、量子技术开发和计算材料设计中。

一个最典型的应用范例是量子断层扫描（Quantum tomography），从测量中学习量子态来重建量子系统源的量子态（密度矩阵）。其它应用范例还如学习量子相变（quantum phase transitions）并自动生成新的量子实验。下面我们简单介绍经典机器学习在物理学中的应用。

处理嘈杂的数据

我们大家都知道，我们每天所吸收的数据信息总不都是纯正的，我们通过学习将这些不纯正的信息予以去伪存真的加工处理。计算机及其机器设备也是一样，通过其传感器所吸收到的数据信息也总不都是纯正的，需要学习予以去伪存真的加工处理。

嘈杂的数据（noisy data），也称噪声数据或噪音数据，指带有附加的无意义信息的的原始数据，即：数据 = 真信号 + 噪声。机器学习的核心任务之一就是数据降噪（filter noise），即尽量提取真信号，消除可能导致错误结论的嘈杂数据的影响。

当代量子物理研究中，在准备和控制日益复杂的量子实验系统中，如何将大量的带噪声的数据集，转换为有意义的信息，这种需求在不断增长。这个问题在经典的人工智能系统中已经是广泛研究的问题。

因此，许多现有的机器学习技术可以自然地适应于更有效地解决量子物理实验相关的问题。例如，贝叶斯方法和算法学习的概念可以有效地应用于解决量子态分类、哈密顿学习、和未知单一变换的表征。以下列表给出用这种方法解决与处理有噪声的数据的其他问题：

应用举例处理有噪声的物理数据1通过重建哈密顿量 ，确定量子系统动力学的精确模型2提取有关未知状态的信息3学习未知的单一变换和测量4利用时间相关或独立哈密顿量，从具有成对相互作用的量子比特网络工程量子门

计算无噪音数据

量子系统的经典机器学习也可用于处理无噪音的量子物理的理论计算数据，如显著加速分子和材料的量子特性的预测，从而有助于新型分子或新型材料的计算设计。 其它一些例子包括：

应用举例计算无噪声的物理数据1插值原子间势2在整个化合物空间中推断分子雾化能量3使用受限制的玻尔兹曼机器精确的势能面4自动生成新的量子实验5求解多体、静态和时间相关的薛定谔方程6识别纠缠谱的相变7生成量子测量和量子断层扫描的自适应反馈方案

变分电路

变分电路（Variational Circuits）是利用基于电路参数和目标函数的训练的一系列算法。变分电路通常将输入参数（随机或预训练的参数）传送到量子装置中的经典装置以及经典的数学优化函数（Mathematical optimization）组成。

由于这些参数调整仅基于器件内的经典组件进行调整，所以这些电路依赖于所提出的量子器件的架构。变分电路的应用目前在量子机器学习领域通过经典装置与经典算法具有相当大的优势，具有令人难以置信的高效率，可以更有效地生成最佳的优化功能。