當量子糾纏遇到神經網路，物理學家將打開新世界的大門

機器學習正在人工智慧領域掀起革命，毫無疑問，它已經在現代科技中確立了自己的地位。從自動駕駛汽車、語音識別到古老的棋盤遊戲，圍繞機器學習展開的一系列研發和應用正在為各個領域帶來新變化。

現在，這一利器要在物理學家手裡大顯身手了，他們要用神經網路去探索神秘莫測的量子物理世界。來自聯合量子研究所（Joint Quantum Institute，JQI）和馬里蘭大學凝聚態理論研究中心（Condensed Matter Theory Center，CMTC）的研究人員們展示了如何利用神經網路描述多個量子系統。發表在近期《 Physical Review X 》的一篇論文中。

論文的第一作者，JQI博士後研究員鄧東靈說：「如果我們要解決量子問題，我們首先需要找到一個高效的表達形式，而這正是神經網路所能提供的。」論文作者還包括 JQI研究院的 Sankar Das Sarma和復旦大學物理學家李曉鵬。

物理學家有很多種描述量子系統的方式，其中典型的一種是使用概率來表達系統處於不同量子態的可能性。但是，隨著量子粒子數量的增加，從數值模擬中提取特性或對系統進行預測變得越來越困難。主流觀點認為，量子糾纏效應（一種粒子間奇特的量子相關關係）往往難以與某種演算法準確匹配。

在論文中，他們所使用的神經網路能夠高效地表達含有大量量子糾纏的量子系統，相比過去的方法有較大的改進。

這次研究的成果還不僅限於此。Das Sarma表示，該研究不僅提供了高度糾纏量子態的高效表達，還提供了應用機器學習工具解決具有相互作用的量子多體問題的新方法，而這種問題在過去是難以解決的。

研究團隊特別研究了兩組不同的神經網路，第一組叫做「可見神經元」（thevisibleneurons），用以表達真實的量子粒子，比如在光學晶格中的原子。考慮到不同粒子間的相互作用，研究者使用了第二組神經元——「隱藏神經元」（thehiddenneurons）——與可見神經元相連。這種連接能夠獲取真實粒子間的物理相互作用。

他們為每個連接指定一個數值，並且在數學運算上忽略被隱藏的神經元，就能夠簡單表達許多有趣的量子態，包括一些具有拓撲特徵或者擁有複雜量子糾纏的狀態.

不過，這些神經網路仍不完美。鄧東靈補充說：「這種方法在有限的範圍內有效，還不能提供通用的高效表達。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！