首页科技快讯人工智能与量子计算的融合：机器学习隐藏的量子纠缠

人工智能与量子计算的融合：机器学习隐藏的量子纠缠

来源：晰数塔互联网快讯时间：2025年10月04日 14:36

本文来自微信公众号：集智俱乐部（ID：swarma_org），编译：乌鸦少年，作者：乌鸦少年

导语

近日，来自加州大学圣迭戈分校、加州大学伯克利分校与谷歌Quantum AI等机构的研究人员联合发表最新工作，揭示了大语言模型在量子科学研究中的惊人能力：它能通过对看似随机的量子测量结果的大数据进行无监督学习，为原本无法直接观察的量子纠缠现象给出具有理论保证的明确结论——真正做到“化不可知为可知”，让AI帮助我们拓展对量子世界认知的边界。这项工作的第一单位是加州大学圣迭戈分校的华人科研团队。

关键词：量子计算，量子测量，量子纠缠，测量诱导纠缠，量子纠错，机器学习

乌鸦少年丨编译

论文题目：Machine learning the effects of many quantum measurements

论文链接：https://arxiv.org/abs/2509.08890

为了从量子态中获取信息，我们必须进行测量。测量在量子计算机的信息处理与保护中发挥着关键作用，同时能够在未测量的量子比特之间产生长程纠缠。然而，测量后状态依赖于大量非确定性的测量结果，这为观测测量诱导的纠缠设置了障碍。要如何观察测量多个量子比特产生的结果？观察者如何从测量导致的量子塌缩中探测到涌现的结构？

这项新工作的研究团队借助机器学习检测量子测量产生的隐藏纠缠，提供了一种相较传统方法更具可扩展性的替代方案。在谷歌Sycamore和Willow量子处理器上的实验表明，神经网络能够识别一维和二维量子比特阵列中的测量诱导纠缠。该方法通过揭示测量结果如何影响脆弱的量子比特，或可为未来的量子纠错方案提供借鉴。

1.测量诱导纠缠

这项研究由加州大学圣迭戈分校、加州大学伯克利分校、普林斯顿大学、普渡大学、劳伦斯伯克利国家实验室和谷歌研究院的科研人员完成，发布于预印本平台arXiv。研究提出一种用于观测“测量诱导纠缠”（measurement-induced entanglement）的新方法——这是一种反直觉效应，即仅测量量子系统的一部分，就会在原本并无直接关联的粒子之间产生关联。

研究人员指出，这一点很重要，因为纠缠是量子计算的命脉，使量子比特（qubit，数字比特的量子对应物）能够在长距离上产生关联。但当进行多次测量时，结果具有随机性，纠缠模式难以追踪。“测量对于量子计算机中的信息处理与保护至关重要。”研究人员写道。“它们也会在未被测量的量子比特之间诱发长程纠缠。然而，当测量后状态（post-measurement states）取决于许多非确定性的测量结果时，观察并利用先前测量所诱导的纠缠就会遇到障碍。”

以往，科学家不得不将实验重复到指数级次数，这对大型量子系统而言并不现实。该研究表明，机器学习模型可以直接在量子实验的原始数据上训练，从而揭示这些难以捉摸的关联。这样研究者无需事先了解量子态的制备方式，也可避免代价高昂的数据后选择过程。

2.神经网络学习纠缠

研究团队在谷歌的超导量子处理器（包括因2019年“量子霸权”实验而知名的Sycamore器件，以及更新的105量子比特处理器Willow）上制备纠缠的“簇态”（Cluster States）——即量子比特按网格或链状排布并发生纠缠。通过测量几乎所有量子比特，仅保留两个未测量的“探针”，他们检验这两个相距较远的量子比特是否因中间测量而产生纠缠。

结果发现，无监督训练（无需标注数据）的神经网络能够重建探针量子比特状态的模型。将AI预测与实验数据交叉验证后，研究者在34量子比特的一维链和36量子比特的二维网格中，均观测到了测量诱导纠缠。

更进一步，随着研究者调节测量设置，系统会跨过一个尖锐的阈值：在某些参数区间内，神经网络能够成功学习并揭示纠缠；而在另一些区间，它们则失败，只给出平坦、无特征的预测。这种模式对应于“测量诱导相变”，一种新近认识到的量子系统相变类型。

图.（A）一维簇态（cluster states）。通过测量链两端除探针A和B之外的所有量子比特，会在两个探针之间产生纠缠。（B）二维簇态。在以θ为参数的测量基下，测量除探针之外的所有量子比特，当θ接近π/2时，会在探针之间产生测量诱导纠缠，而在θ=0时纠缠趋于消失。随着参数θ增加，系统在临界点θ=θc处出现纠缠。（C）从实验数据无监督地学习测量后状态。这里（基于注意力的生成式）神经网络作为观察者，用实验数据无监督地训练，从对所有其他量子比特的测量结果预测两个探针的测量后状态。实验结果表明，临界点与神经网络学习到测量诱导纠缠的能力转变密切相关。

这些结果对量子技术有多重意义。例如，该实验有望为研究大型量子系统中测量的集体现象提供一种可扩展的方法，让研究者可以走出“玩具模型”，理解测量驱动效应（如纠缠与误差传播）在面向真实世界量子计算、真正重要的大型器件中是如何展开的。

研究团队表示，这一方法也可能影响量子纠错方案的设计。量子纠错依赖持续测量以捕捉脆弱量子比特中的错误，但这些测量会产生随机结果，难以解读。这里的机器学习方法能从此类数据中剥离出隐藏的纠缠，或可据此设计更“聪明”的纠错方案，提升量子计算机的稳定性。

这项工作还可能作为未来量子纠错实验以及更一般的量子控制问题的基础。该研究展示了AI仅凭测量结果也能学习，表明机器学习可能成为量子实验不可或缺的伙伴，用于识别超出经典计算或人类直觉所能处理的复杂模式。

3.如何设计实验？

研究人员利用精心设计的超导量子比特电路制备短程纠缠的簇态（cluster states）。在一维情形中，他们将34个量子比特排成一列；在二维情形中，他们制备了一个6×6的36量子比特网格。

在制备好量子态后，他们测量了除两个探针量子比特之外的所有比特。由于测量结果具有随机性，每次实验都会产生不同的测量后状态。团队没有采用传统但低效的方式——反复实验直至罕见结果“对齐”——而是训练机器学习模型，将测量结果映射为对这两个探针量子比特量子态的预测。

机器学习模型包括受BERT等语言模型启发的带有注意力机制的生成式神经网络，以及通过变分方法优化的张量网络模型。训练是无监督的，意味着模型仅使用实验测量结果，无需标签或关于量子态制备的先验知识。

为验证模型，研究人员采用一种称为“经典阴影”（classical shadows）的技术：在测量前对探针量子比特施加随机幺正操作。然后他们将AI预测与这些“阴影”进行关联，对探针量子比特的纠缠与熵给出上下界约束。

4.局限性与未来方向

作者提醒，他们的模型并不完美，对纠缠给出的约束对量子器件中的噪声与退相干高度敏感。在某些参数区间，尤其是当测量基被强烈调谐时，即便基于门的模型（利用已知电路进行的模拟）显示应当存在纠缠，神经网络仍未能捕捉到存在的纠缠。另外，尽管该方法避免了指数级开销，但仍依赖收集极其庞大的数据集。在二维情形中，训练大约需要7800万次实验重复，尽管这仍远小于所有可能结果的天文数字。

尽管存在局限性，该方法仍然为在更接近现实的条件下研究测量驱动的量子现象开辟了道路。研究人员设想将这一方法应用于超冷原子与分子体系，在这些体系中，高分辨率成像可提供数据，但对量子态制备的精确知识却有限。

如前所述，一个重要的短期目标是量子纠错。以往的演示多依赖稳定子码（stabilizer code）——其已知代数结构可将测量结果直接映射到误差。但真实世界更为复杂。通过在原始数据上训练，机器学习模型或可使纠错扩展到更少受控、更贴近现实的环境中。

研究者还建议，将该方法用于研究在重复测量下出现的奇异量子物相，例如拓扑有序态。这些物相被认为有助于实现稳健的量子计算，但迄今为止，若不进行大量后选择，仍难以探测。

总体而言，该研究凸显了人工智能与量子计算之间的融合日益加深。机器学习改变了图像识别与药物发现等领域，如今也正在成为理解量子世界的工具。通过将杂乱而随机的测量结果视作可挖掘的数据集，AI为在表面的噪声中寻找秩序提供了途径。

更大的图景则是：这些结果体现了量子科学中“学习”与“观测”相互作用的更广泛启示。团队写道：“我们的实验展示了如何观测大量测量对量子系统的影响。关键的初始步骤是学习如何从未被测量的量子自由度中推断测量的效应。一旦从训练数据生成了系统的近似模型，模型与独立数据集之间的交叉相关性就可以用来构建对已测量量子态性质的界限。这些方案凸显了一个深刻联系：我们学习如何建模量子系统的能力，与我们观测测量效应的能力密切相关。”

原文链接：https://thequantuminsider.com/2025/09/18/researchers-use-ai-to-expose-hidden-webs-of-entanglement/

量子信息与量子计算预读班

量子信息是计算机、信息科学与量子物理相结合而产生的新兴交叉学科，将为人类提供后摩尔时代的技术，为二十一世纪信息科学的发展提供新的原理和方法。量子信息是现在的前沿方向，我们感受到以量子力学为基础的革命是颠覆性的，也将影响到未来的复杂性科学研究。集智俱乐部量子信息与量子计算预读班主要聚焦在量子计算领域，对量子线路的经典模拟、量子计算与人工智能的交叉、量子模拟、量子噪声理论与纠错码等方面的论文进行研读与讨论。

详情请见：

量子信息与量子计算预读班：追踪量子信息革命交叉前沿