頭條楓林網導讀
史上首次，科學家 將人工智能 應用於量子物理領域，採用機器學習的方法重構了基於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）位於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 ，它能夠基於個人的言語方式和生命體徵，判斷出談話是愉快的、悲傷的或是中性的。
（圖片來源於：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 鑑別假貨的新系統 。
（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 腦震盪和腦損傷。
（圖片來源： Dennis Wise / 華盛頓大學）
5）美國斯坦福大學研究人員採用 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於開發 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樑，通過人工智能方法幫助物理學家們探索複雜的量子世界。
史上首次，科學家們採用 機器學習 重構了基於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，並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複雜的量子系統，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於2月26日的《自然物理（ Nature Physics ）》雜誌。
論文合著者之一、位於紐約市的 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，這一計算機程序於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於量子物理？ ”
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。 對於這一點，我們可以用著名的思想實驗“薛定諤的貓”來類比，這隻貓既可以是死的，也可以是活的，它處於生和死的疊加態。 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複雜性。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。
對於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，事情就變得複雜了。”隨著粒子數量增加，複雜性也在猛增。 如果只考慮每個電子向上自旋或者向下自旋，那麼含有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複雜。 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於分離狀態，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，對於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，反饋到基於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。
（圖片來源：參考資料【2】）
價值
研究人員採用基於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。 對於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於處理更大型的系統。 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複雜量子系統的本質，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， 有利於中心繼續開髮用於理解量子系統交互行為的新方案，並聯繫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裡開發的方法。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。”
關鍵字
參考資料
【1】 https://www.simonsfoundation.org/2018/02/26/machine-learning-quantum-systems/
【2】 https://www.nature.com/articles/s41567-018-0048-5
了解更多前沿技術文章，請點擊“閱讀原文”。 諮詢和交流，請聯繫微信：JohnZh1984