導語

近日，來自加州大學圣迭戈分校、加州大學伯克利分校與谷歌 Quantum AI 等機構的研究人員聯合發(fā)表最新工作，揭示了大語言模型在量子科學研究中的驚人能力：它能通過對看似隨機的量子測量結果的大數據進行無監(jiān)督學習，為原本無法直接觀察的量子糾纏現象給出具有理論保證的明確結論——真正做到“化不可知為可知”，讓 AI 幫助我們拓展對量子世界認知的邊界。這項工作的第一單位是加州大學圣迭戈分校的華人科研團隊。

關鍵詞：量子計算，量子測量，量子糾纏，測量誘導糾纏，量子糾錯，機器學習

烏鴉少年丨編譯

論文題目：Machine learning the effects of many quantum measurements 論文鏈接：https://arxiv.org/abs/2509.08890

為了從量子態(tài)中獲取信息，我們必須進行測量。測量在量子計算機的信息處理與保護中發(fā)揮著關鍵作用，同時能夠在未測量的量子比特之間產生長程糾纏。然而，測量后狀態(tài)依賴于大量非確定性的測量結果，這為觀測測量誘導的糾纏設置了障礙。要如何觀察測量多個量子比特產生的結果？觀察者如何從測量導致的量子塌縮中探測到涌現的結構？

這項新工作的研究團隊借助機器學習檢測量子測量產生的隱藏糾纏，提供了一種相較傳統(tǒng)方法更具可擴展性的替代方案。在谷歌 Sycamore 和 Willow 量子處理器上的實驗表明，神經網絡能夠識別一維和二維量子比特陣列中的測量誘導糾纏。該方法通過揭示測量結果如何影響脆弱的量子比特，或可為未來的量子糾錯方案提供借鑒。

1. 測量誘導糾纏

這項研究由加州大學圣迭戈分校、加州大學伯克利分校、普林斯頓大學、普渡大學、勞倫斯伯克利國家實驗室和谷歌研究院的科研人員完成，發(fā)布于預印本平臺 arXiv。研究提出一種用于觀測“測量誘導糾纏”（measurement-induced entanglement）的新方法——這是一種反直覺效應，即僅測量量子系統(tǒng)的一部分，就會在原本并無直接關聯的粒子之間產生關聯。

研究人員指出，這一點很重要，因為糾纏是量子計算的命脈，使量子比特（qubit，數字比特的量子對應物）能夠在長距離上產生關聯。但當進行多次測量時，結果具有隨機性，糾纏模式難以追蹤?！?strong>測量對于量子計算機中的信息處理與保護至關重要。”研究人員寫道?！八鼈円矔谖幢粶y量的量子比特之間誘發(fā)長程糾纏。然而，當測量后狀態(tài)（post-measurement states）取決于許多非確定性的測量結果時，觀察并利用先前測量所誘導的糾纏就會遇到障礙。”

以往，科學家不得不將實驗重復到指數級次數，這對大型量子系統(tǒng)而言并不現實。該研究表明，機器學習模型可以直接在量子實驗的原始數據上訓練，從而揭示這些難以捉摸的關聯。這樣研究者無需事先了解量子態(tài)的制備方式，也可避免代價高昂的數據后選擇過程。

2. 神經網絡學習糾纏

研究團隊在谷歌的超導量子處理器（包括因2019年“量子霸權”實驗而知名的 Sycamore 器件，以及更新的 105 量子比特處理器 Willow）上制備糾纏的“簇態(tài)”（Cluster States）——即量子比特按網格或鏈狀排布并發(fā)生糾纏。通過測量幾乎所有量子比特，僅保留兩個未測量的“探針”，他們檢驗這兩個相距較遠的量子比特是否因中間測量而產生糾纏。

結果發(fā)現，無監(jiān)督訓練（無需標注數據）的神經網絡能夠重建探針量子比特狀態(tài)的模型。將 AI 預測與實驗數據交叉驗證后，研究者在34量子比特的一維鏈和36量子比特的二維網格中，均觀測到了測量誘導糾纏。

更進一步，隨著研究者調節(jié)測量設置，系統(tǒng)會跨過一個尖銳的閾值：在某些參數區(qū)間內，神經網絡能夠成功學習并揭示糾纏；而在另一些區(qū)間，它們則失敗，只給出平坦、無特征的預測。這種模式對應于“測量誘導相變”，一種新近認識到的量子系統(tǒng)相變類型。

圖. （A）一維簇態(tài)（cluster states）。通過測量鏈兩端除探針A和B之外的所有量子比特，會在兩個探針之間產生糾纏。（B）二維簇態(tài)。在以θ為參數的測量基下，測量除探針之外的所有量子比特，當θ接近π/2時，會在探針之間產生測量誘導糾纏，而在 θ=0 時糾纏趨于消失。隨著參數θ增加，系統(tǒng)在臨界點 θ=θc 處出現糾纏。（C）從實驗數據無監(jiān)督地學習測量后狀態(tài)。這里（基于注意力的生成式）神經網絡作為觀察者，用實驗數據無監(jiān)督地訓練，從對所有其他量子比特的測量結果預測兩個探針的測量后狀態(tài)。實驗結果表明，臨界點與神經網絡學習到測量誘導糾纏的能力轉變密切相關。

這些結果對量子技術有多重意義。例如，該實驗有望為研究大型量子系統(tǒng)中測量的集體現象提供一種可擴展的方法，讓研究者可以走出“玩具模型”，理解測量驅動效應（如糾纏與誤差傳播）在面向真實世界量子計算、真正重要的大型器件中是如何展開的。

研究團隊表示，這一方法也可能影響量子糾錯方案的設計。量子糾錯依賴持續(xù)測量以捕捉脆弱量子比特中的錯誤，但這些測量會產生隨機結果，難以解讀。這里的機器學習方法能從此類數據中剝離出隱藏的糾纏，或可據此設計更“聰明”的糾錯方案，提升量子計算機的穩(wěn)定性。

這項工作還可能作為未來量子糾錯實驗以及更一般的量子控制問題的基礎。該研究展示了 AI 僅憑測量結果也能學習，表明機器學習可能成為量子實驗不可或缺的伙伴，用于識別超出經典計算或人類直覺所能處理的復雜模式。

3. 如何設計實驗？

研究人員利用精心設計的超導量子比特電路制備短程糾纏的簇態(tài)（cluster states）。在一維情形中，他們將34個量子比特排成一列；在二維情形中，他們制備了一個6×6的36量子比特網格。

在制備好量子態(tài)后，他們測量了除兩個探針量子比特之外的所有比特。由于測量結果具有隨機性，每次實驗都會產生不同的測量后狀態(tài)。團隊沒有采用傳統(tǒng)但低效的方式——反復實驗直至罕見結果“對齊”——而是訓練機器學習模型，將測量結果映射為對這兩個探針量子比特量子態(tài)的預測。

機器學習模型包括受 BERT 等語言模型啟發(fā)的帶有注意力機制的生成式神經網絡，以及通過變分方法優(yōu)化的張量網絡模型。訓練是無監(jiān)督的，意味著模型僅使用實驗測量結果，無需標簽或關于量子態(tài)制備的先驗知識。

為驗證模型，研究人員采用一種稱為“經典陰影”（classical shadows）的技術：在測量前對探針量子比特施加隨機幺正操作。然后他們將 AI 預測與這些“陰影”進行關聯，對探針量子比特的糾纏與熵給出上下界約束。

4. 局限性與未來方向

作者提醒，他們的模型并不完美，對糾纏給出的約束對量子器件中的噪聲與退相干高度敏感。在某些參數區(qū)間，尤其是當測量基被強烈調諧時，即便基于門的模型（利用已知電路進行的模擬）顯示應當存在糾纏，神經網絡仍未能捕捉到存在的糾纏。另外，盡管該方法避免了指數級開銷，但仍依賴收集極其龐大的數據集。在二維情形中，訓練大約需要7800萬次實驗重復，盡管這仍遠小于所有可能結果的天文數字。

盡管存在局限性，該方法仍然為在更接近現實的條件下研究測量驅動的量子現象開辟了道路。研究人員設想將這一方法應用于超冷原子與分子體系，在這些體系中，高分辨率成像可提供數據，但對量子態(tài)制備的精確知識卻有限。

如前所述，一個重要的短期目標是量子糾錯。以往的演示多依賴穩(wěn)定子碼（stabilizer code）——其已知代數結構可將測量結果直接映射到誤差。但真實世界更為復雜。通過在原始數據上訓練，機器學習模型或可使糾錯擴展到更少受控、更貼近現實的環(huán)境中。

研究者還建議，將該方法用于研究在重復測量下出現的奇異量子物相，例如拓撲有序態(tài)。這些物相被認為有助于實現穩(wěn)健的量子計算，但迄今為止，若不進行大量后選擇，仍難以探測。

總體而言，該研究凸顯了人工智能與量子計算之間的融合日益加深。機器學習改變了圖像識別與藥物發(fā)現等領域，如今也正在成為理解量子世界的工具。通過將雜亂而隨機的測量結果視作可挖掘的數據集，AI 為在表面的噪聲中尋找秩序提供了途徑。

更大的圖景則是：這些結果體現了量子科學中“學習”與“觀測”相互作用的更廣泛啟示。團隊寫道：“我們的實驗展示了如何觀測大量測量對量子系統(tǒng)的影響。關鍵的初始步驟是學習如何從未被測量的量子自由度中推斷測量的效應。一旦從訓練數據生成了系統(tǒng)的近似模型，模型與獨立數據集之間的交叉相關性就可以用來構建對已測量量子態(tài)性質的界限。這些方案凸顯了一個深刻聯系：我們學習如何建模量子系統(tǒng)的能力，與我們觀測測量效應的能力密切相關?！?/p>

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

量子信息與量子計算預讀班

量子信息是計算機、信息科學與量子物理相結合而產生的新興交叉學科，將為人類提供后摩爾時代的技術，為二十一世紀信息科學的發(fā)展提供新的原理和方法。量子信息是現在的前沿方向，我們感受到以量子力學為基礎的革命是顛覆性的，也將影響到未來的復雜性科學研究。集智俱樂部量子信息與量子計算預讀班主要聚焦在量子計算領域，對量子線路的經典模擬、量子計算與人工智能的交叉、量子模擬、量子噪聲理論與糾錯碼等方面的論文進行研讀與討論。

詳情請見：

1.

2.

3.

4.

5.

6.

7.