據外媒報道，美國陸軍作戰(zhàn)能力發(fā)展司令部陸軍研究實驗室（U.S. Army Combat Capabilities Development Command‘s Army Research Laboratory）與杜蘭大學（Tulane University）研究人員將機器學習與量子信息科學（QIS）結合起來，利用光子測量重建未知系統(tǒng)的量子態(tài)。

QIS是一個快速發(fā)展的領域，利用微觀量子系統(tǒng)的獨特特性，比如光的單個粒子或原子，打造通信、計算和傳感方面的強大應用，而利用傳統(tǒng)技術要么無法實現(xiàn)，要么效率較低。

陸軍企業(yè)研究實驗室科學家Brian Kirby博士表示，“我們想把機器學習應用到QIS中，因為機器學習系統(tǒng)能夠基于示例數據集做出預測，而無需對給定任務進行顯式編程。近年來，機器學習在計算機視覺等領域表現(xiàn)出色。在大量預先分類的圖像上訓練機器學習算法，然后可以正確地對從未見過的新圖像分類。”例如，銀行經常使用機器學習系統(tǒng)讀取支票上的筆跡，盡管系統(tǒng)程序之前從未見過這些特殊的筆跡。研究人員稱，這種圖像分類類似于根據測量數據重建量子態(tài)。

杜蘭大學研究員Sanjaya Lohani博士稱，“在圖像識別中，機器學習算法試圖判斷某種物體是汽車還是自行車。在尋找測量數據中暗示數據來源的特定特征時，機器學習系統(tǒng)同樣有效。在這兩種情況下，輸入數據都可看作是一個二維數組，而機器學習系統(tǒng)試圖從中挑選出特定的特征。”

為了描述未知的量子系統(tǒng)，研究團隊使用了量子態(tài)斷層掃描（QST）技術。研究人員準備和測量了相同的未知量子系統(tǒng)，并用復雜的計算過程確定了與測量結果最一致的量子系統(tǒng)。然而，研究人員還需要開發(fā)方法，以處理與量子信息協(xié)議相關的經典信息。杜蘭大學Ryan Glasser教授稱，“該領域經常忽略了操作量子信息系統(tǒng)所需要的經典信息處理。隨著研究和能力的成熟，現(xiàn)實世界部署指日可待，這些都是我們需要解決的問題?！?/p>

最近，研究人員開發(fā)了一個系統(tǒng)，可以重建量子態(tài)和標準，在一些情況下要優(yōu)于需要更多計算資源的方法。杜蘭大學研究員Onur Danaci表示，“我們意識到我們可以在原始模擬中匹配現(xiàn)有系統(tǒng)性能，我們想看看是否可以通過訓練系統(tǒng)來預測常見錯誤，從而建立在應對常見錯誤時的恢復能力?！?/p>

為此，該團隊模擬了測量中常見的誤差來源，比如未對準的光學元件，并利用其訓練機器學習系統(tǒng)。當測量結果不僅有噪音，而且完全丟失時，研究人員對系統(tǒng)進行進一步測試。Danaci表示，該團隊的方法在每種情況下都優(yōu)于傳統(tǒng)的狀態(tài)重建方法，同時需要更少的計算資源。

由于該團隊可將所有昂貴的計算提前加載到訓練過程中，因此實際重建需要的資源相對較少。Kirby表示，研究人員希望在未來將這些預先訓練好的便攜式量子系統(tǒng)部署在小型現(xiàn)場設備中，例如無人機或車輛等硬件空間有限的應用。