來源：ScienceAI

作者：論文團(tuán)隊(duì)

編輯：ScienceAI

量子測(cè)量往往被視作「破壞」，但它也能在未被測(cè)量的比特之間誘發(fā)新糾纏。真正的挑戰(zhàn)在于：后測(cè)量態(tài)依賴大量隨機(jī)測(cè)量結(jié)果 m，用傳統(tǒng)手段確認(rèn)遠(yuǎn)程糾纏常需要指數(shù)級(jí)重復(fù)實(shí)驗(yàn)與后選。

與此同時(shí)，近幾年 AI 尤其是大語言模型（LLM）的飛速發(fā)展 已經(jīng)展示出一種范式轉(zhuǎn)變：復(fù)雜模式可以不依賴顯式的先驗(yàn)規(guī)則，而是通過模型直接從大規(guī)模數(shù)據(jù)中捕捉結(jié)構(gòu)信號(hào)。

既然傳統(tǒng)方法難以處理指數(shù)級(jí)復(fù)雜度，能否借助 AI 的生成式建模能力，從測(cè)量數(shù)據(jù)本身「讀出」隱藏的非局域效應(yīng)？

最近，加州大學(xué)圣迭戈分校（UCSD）、加州大學(xué)伯克利分校（UCB）與谷歌量子人工智能實(shí)驗(yàn)室（Google Quantum AI）等合作，在谷歌 Sycamore 與 Willow 超導(dǎo)量子處理器上，展示了如何用無監(jiān)督生成式模型，從「只看得到測(cè)量結(jié)果」的實(shí)驗(yàn)數(shù)據(jù)中，直接揭示測(cè)量誘發(fā)的遠(yuǎn)程糾纏，并觀察到一次清晰的可學(xué)習(xí)性轉(zhuǎn)變（learnability transition），與測(cè)量誘發(fā)量子相變（MIPT）同位。

論文地址：https://arxiv.org/pdf/2509.08890

該研究通過量子 — 經(jīng)典交叉關(guān)聯(lián)給出糾纏 negativity 的下界與測(cè)量平均馮諾依曼熵的上界，實(shí)現(xiàn)了「無先驗(yàn)、無后選（postselection-free）」的實(shí)驗(yàn)探測(cè)路徑。論文第一作者是加州大學(xué)圣迭戈分校物理系華人學(xué)者 Wanda Hou。

實(shí)驗(yàn)平臺(tái)與總體思路

硬件：谷歌 Willow 105 量子比特超導(dǎo)量子處理器。

態(tài)制備：在 1D/2D 體系中制備 cluster 態(tài)；測(cè)量掉除「探針」外的絕大多數(shù)量子比特，誘發(fā)兩探針之間的后測(cè)量態(tài)。

探針表征：對(duì)探針施加隨機(jī)基測(cè)量，得到經(jīng)典影子（classical shadow），用以統(tǒng)計(jì)表征。

AI 學(xué)習(xí)器：引入帶注意力機(jī)制的生成式神經(jīng)網(wǎng)絡(luò)，在無監(jiān)督設(shè)定下，僅以「量子計(jì)算實(shí)驗(yàn)測(cè)量結(jié)果 m」為輸入，輸出對(duì)探針后測(cè)量態(tài)的預(yù)測(cè)。

圖 1｜實(shí)驗(yàn)與算法示意（1D/2D cluster 態(tài)制備；測(cè)量除探針外比特；對(duì)探針做隨機(jī)基測(cè)量獲得影子；無監(jiān)督生成式模型用非探針測(cè)量結(jié)果預(yù)測(cè)探針態(tài)）。

關(guān)鍵方法

將模型輸出與實(shí)驗(yàn)影子進(jìn)行交叉關(guān)聯(lián)（cross-correlation），可構(gòu)造兩類可驗(yàn)證的統(tǒng)計(jì)邊界：

糾纏 negativity 的下界
：只要下界 >0，即可在無后選條件下確證探針間的混態(tài)糾纏；

測(cè)量平均馮諾依曼熵的上界
：反映模型預(yù)測(cè)與真實(shí)后測(cè)量態(tài)的「信息差距」。

這一步把「能否學(xué)到結(jié)構(gòu)」轉(zhuǎn)譯為可驗(yàn)證的信息論指標(biāo)，繞開指數(shù)級(jí)重復(fù)實(shí)驗(yàn)的瓶頸。

一維結(jié)果：34 比特鏈的「端—端」測(cè)量誘發(fā)糾纏

在 1D 線性鏈長達(dá) L=34 （qubit 單位）的實(shí)驗(yàn)中，研究者直接給出兩端探針的 negativity 下界 >0，確證測(cè)量誘發(fā)的遠(yuǎn)程糾纏；同時(shí)顯示：無監(jiān)督模型僅憑測(cè)量數(shù)據(jù)學(xué)到的下界，與「知曉門序」的基線模型相當(dāng) —— 即使沒有制備先驗(yàn)，也能從數(shù)據(jù)中「讀出」非局域效應(yīng)。

圖 2｜一維 qubit 鏈的實(shí)驗(yàn)結(jié)果。紅色：基于神經(jīng)網(wǎng)絡(luò)的 negativity 下界；藍(lán)色：理論基線；黃色：張量網(wǎng)絡(luò)方法的 negativity 下界。三者吻合，說明 AI 僅憑測(cè)量數(shù)據(jù)即可重現(xiàn)端點(diǎn)探針的遠(yuǎn)程糾纏。

二維結(jié)果：AI 的「學(xué)習(xí)失敗」與相變臨界同位

在 6 x 6 二維陣列中，通過調(diào)節(jié)測(cè)量基底（以角度 θ 參數(shù)化）掃描，體系出現(xiàn)「測(cè)量誘發(fā)相變（MIPT）」的有限尺度對(duì)應(yīng)物。AI 在不同區(qū)間呈現(xiàn)三段式行為：

1. 低糾纏區(qū)（局域結(jié)構(gòu)，長程糾纏缺席）：

AI 很快學(xué)會(huì)測(cè)量數(shù)據(jù)的簡單結(jié)構(gòu)，預(yù)測(cè)與理論一致，探針糾纏為零；學(xué)習(xí)曲線迅速收斂，所需計(jì)算資源遠(yuǎn)小于經(jīng)典模擬。

2. 高糾纏區(qū)（全局強(qiáng)糾纏，復(fù)雜度爆炸）：

數(shù)據(jù)看似隨機(jī)卻高度相關(guān)，但這種全局糾纏的指數(shù)級(jí)復(fù)雜度本質(zhì)上超出任何經(jīng)典算法可解碼的范疇。AI 不是「太弱」，而是遭遇物理層面的「硬邊界」；它雖也會(huì)快收斂，但收斂到「無結(jié)構(gòu)」的猜測(cè)，因而無法探測(cè)到糾纏。

3. 臨界點(diǎn)（最有趣的區(qū)域）：

AI 學(xué)習(xí)曲線突然拉長，表明模型在數(shù)據(jù)中捕捉到更豐富、非平庸的結(jié)構(gòu)，需要更多 epoch 才能收斂；與此同時(shí)，糾纏信號(hào)出現(xiàn)峰值。二者同位，即：「學(xué)習(xí)轉(zhuǎn)變」≈「物理相變」。

圖 3｜二維 6 x 6 陣列的可學(xué)習(xí)性與熵上界。

A：不同 θ 下，訓(xùn)練過程的
變化。小 θ：快速下降（易學(xué)）；大 θ：保持約 2（學(xué)不會(huì)）；中等 θ：緩慢下降（結(jié)構(gòu)豐富）。

B：20 epoch 后 NN（紅）與門級(jí)基線（藍(lán)）對(duì)比。

C：量子 KL 降幅（學(xué)到的信息量）在中等 θ 出現(xiàn)峰值。

圖 4｜二維 6 x 6 陣列的混態(tài)糾纏下界。

A：探針距離 d=4，
在中等 θ 出現(xiàn)峰值（神經(jīng)網(wǎng)絡(luò)與基線對(duì)比）。

B：θ/π = 0.2 時(shí)，d<= 4 檢測(cè)到測(cè)量誘發(fā)量子糾纏（MIE），d=5 檢測(cè)不到。先驗(yàn)?zāi)Ｐ惋@示糾纏可持續(xù)到 θ/π = 0.5，但 AI 方法在大 θ 無法泛化。

方法學(xué)與工程意義

新型觀測(cè)范式：通過 AI 學(xué)習(xí) + 量子 — 經(jīng)典交叉關(guān)聯(lián)，在無后選前提下，把「學(xué)習(xí)過程本身」變成可驗(yàn)證的物理探針；避開指數(shù)級(jí)實(shí)驗(yàn)成本，提升規(guī)模可擴(kuò)展性。

誤差校正潛力（低糾纏 / 可「擦除」區(qū)域）：在低糾纏區(qū)，AI 能快速、穩(wěn)健地識(shí)別結(jié)構(gòu)性噪聲與模式，適合用于「量子誤差校正（QEC）」中的錯(cuò)誤定位與在線診斷。

從經(jīng)典 AI 到量子 AI 的路徑：如果經(jīng)典 AI 的瓶頸源于無法高效模擬全局量子糾纏，那么當(dāng)量子計(jì)算機(jī)成為 AI 的算力基座（quantum-enhanced AI），便有望直接處理糾纏與非局域關(guān)聯(lián)，跨越「學(xué)習(xí)失敗」的瓶頸。這一愿景與同期相關(guān)理論工作（Google 團(tuán)隊(duì)的生成式量子 AI 研究）方向一致，指向量子原生智能體的長期圖景。

局限與展望

噪聲與校準(zhǔn)：盡管方法對(duì)先驗(yàn)不敏感，硬件噪聲、測(cè)量誤差與校準(zhǔn)仍直接影響學(xué)習(xí)質(zhì)量與邊界估計(jì)精度。

數(shù)據(jù)規(guī)模與訓(xùn)練開銷：在更大比特?cái)?shù)、更接近臨界的區(qū)域，訓(xùn)練所需數(shù)據(jù)與 epoch 可能增長，需要更高效的模型 / 采樣策略。

走向應(yīng)用：將「學(xué)習(xí) - 驅(qū)動(dòng)的探針」整合進(jìn)實(shí)際量子糾錯(cuò)（QEC） / 量子控制回路，并與不同平臺(tái)（冷原子 / 離子阱 / 量子點(diǎn)等）對(duì)比驗(yàn)證，是自然的下一步。

小結(jié)

這項(xiàng) UCSD×UCB 與 Google Quantum AI 的聯(lián)合實(shí)驗(yàn)表明：經(jīng)典學(xué)習(xí)的「學(xué)不會(huì)」并非尷尬的失敗，而是量子臨界性的「路標(biāo)」。在一維體系中，純數(shù)據(jù)驅(qū)動(dòng)即可確證端 — 端遠(yuǎn)程糾纏；在二維體系中，AI 的可學(xué)習(xí)性轉(zhuǎn)變與測(cè)量誘發(fā)相變同位。方法上，交叉關(guān)聯(lián)在嚴(yán)格的信息論框架內(nèi)給出了糾纏下界與熵上界，為「無先驗(yàn)、無后選」的大規(guī)模量子實(shí)驗(yàn)診斷提供了可落地的新路徑。

閱讀最新前沿科技趨勢(shì)報(bào)告，請(qǐng)?jiān)L問歐米伽研究所的“未來知識(shí)庫”

https://wx.zsxq.com/group/454854145828

未來知識(shí)庫是“ 歐米伽 未來研究所”建立的在線知識(shí)庫平臺(tái)，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級(jí)智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類風(fēng)險(xiǎn)等等領(lǐng)域的前沿進(jìn)展與未來趨勢(shì)。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進(jìn)入。