机器学习揭示量子系统的底层物理原理，助力物理学发现

导语

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印证。然而，量子态不稳定的本质使根据观测值建立哈密顿量模型的过程变得困难，当试图检查它们时，量子态就会崩溃。

最近，布里斯托大学量子工程技术实验室（QETLabs）的科学家们开发了一种新的协议，该协议通过使用机器学习对哈密顿量模型进行逆向工程来充当自治代理，提供了对量子系统基本物理原理的宝贵见解。这项研究为量子计算领域的重大进步铺平了道路，并可能会在科学研究领域掀开新的篇章。

图示：氮空位中心设备，用于QMLA的实验展示。（来源：phys.org）

将当今超级计算机的强大功能与机器学习相结合，我们能够自动发现量子系统中的结构。随着新的量子计算机、模拟器的出现，该算法变得更加令人兴奋：首先，它可以帮助验证设备本身的性能，然后利用这些设备来了解更大的系统，」QETLabs 的 Brian Flynn 说。

QETLabs 的前研究员 Andreas Gentile 说：「这种自动化水平使得在选择最佳模型之前可以接受各种假设模型，否则该任务对于复杂性不断提高的系统而言将是艰巨的。」

QETLabs 联合主任、布里斯托尔物理学院副教授 Anthony Laing 对这项研究有着高度的赞扬：「过去，我们依靠科学家的智力和辛勤工作来发展物理学。通过赋予机器具有从实验中学习和发现物理的能力，研究团队有可能翻开科学研究的新篇章。其后果的确是深远的。」

下一步，该团队计划继续扩展算法，以探索更大的系统以及代表不同物理状态或不同类别的基础结构的量子模型。

参考内容：

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

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

来源：集智俱乐部