在量子力學中，複雜的粒子系統演化通常是用一種名為「哈密頓量」的數學模型來描述的，但需要理論論證和實驗驗證成功地相互印證。然而，量子態不穩定的本質使根據觀測值建立哈密頓量模型的過程變得困難，當試圖檢查它們時，量子態就會崩潰。
最近，布里斯托大學量子工程技術實驗室（QETLabs）的科學家們開發了一種新的協議，該協議透過使用機器學習對哈密頓量模型進行逆向工程來充當自治代理，提供了對量子系統基本物理原理的寶貴見解。這項研究為量子計算領域的重大進步鋪平了道路，並可能會在科學研究領域掀開新的篇章。研究成果於4月29日以「從實驗中學習量子系統的模型」（Learning models of quantum systems from experiments）為題發表在雜誌《自然·物理學》（Nature Physics）上。在科學研究中，通常透過簡化模型近似使基本特徵得到理解。該模型的實用性取決於逼近實際物理系統的逼真度，並且可以透過模型預測與實際實驗資料的一致性來測量。然而，量子態的固有脆弱性和模擬量子系統的計算複雜性使得研究人員很難透過實驗資料為量子系統制定和測試哈密頓量。QETLabs 團隊開發了一種新的名為「量子模型學習代理」（QMLA）的協議，可以為實驗的量子系統制定和驗證近似模型。他們的演算法可以自主工作，在目標量子系統上進行設計並進行實驗，然後將所得資料反饋到演算法中。
QMLA協議流程圖。（來源：論文）更令人興奮的是，該團隊利用金剛石中晶格空位缺陷在真實的量子實驗中成功展示了這一演算法的能力。已知，金剛石是進行量子資訊處理和量子感測的良好平臺。在初步模擬中，可以正確推斷出確切的已知模型，成功率高達59％。使用實驗資料時，有74％的協議例項檢索被認為合理的模型。研究人員還研究了10種可能的模型，透過在協議中納入遺傳演算法的探索策略（ES），該協議可在85％的例項中識別目標模型。
金剛石中氮空位中心電子自旋研究中模擬資料和實驗資料的 QMLA 結果。（來源：論文）關於哈密頓量和 QMLA
在量子力學中，哈密頓量是一個表示粒子系統總能量的可觀測量，哈密頓算符產生了量子態的時間演化。由於哈密頓量是對物理和化學過程進行研究和分析的基礎，因此忠實於它們代表的系統至關重要。QMLA 就很好的解決了先前無法對實際實驗中的粒子系統建立近似模型的問題。QMLA 是一種用於表徵量子力學系統和裝置的機器學習協議。它旨在確定最能解釋所研究系統中觀察到的資料的模型。為此，它考慮了一系列候選模型，執行了學習過程以最佳化那些候選模型的效能，然後選擇最佳候選模型。利用該過程中到目前為止獲得的資訊，可以迭代地構建新的候選模型，以提高模型的逼近度。QMLA 可對模擬或實驗資料進行建模，也可以與線上實驗結合使用。使用者可以開發自定義 ES 並將其插入 QMLA 框架中，以便根據要求定位系統，執行實驗並生成模型。該框架是模組化的，允許使用者選擇適合其要求的組合，或根據需要輕鬆新增功能。機器學習助力物理學發現
QMLA 協議能夠根據有限的先前假設自主制定和測試建模的代理開發，可用於輔助像量子感測器這類自動錶徵的裝置。因此，該研究是朝著表徵大量子系統邁出的基本一步，也是量子技術發展的重大的突破。
氮空位中心裝置，用於QMLA的實驗展示。（來源：phys.org）「將當今超級計算機的強大功能與機器學習相結合，我們能夠自動發現量子系統中的結構。隨著新的量子計算機、模擬器的出現，該演算法變得更加令人興奮：首先，它可以幫助驗證裝置本身的效能，然後利用這些裝置來了解更大的系統，」QETLabs 的 Brian Flynn 說。QETLabs 的前研究員 Andreas Gentile 說：「這種自動化水平使得在選擇最佳模型之前可以接受各種假設模型，否則該任務對於複雜性不斷提高的系統而言將是艱鉅的。」QETLabs 聯合主任、布里斯托爾物理學院副教授 Anthony Laing 對這項研究有著高度的讚揚：「過去，我們依靠科學家的智力和辛勤工作來發展物理學。透過賦予機器具有從實驗中學習和發現物理的能力，研究團隊有可能翻開科學研究的新篇章。其後果的確是深遠的。」下一步，該團隊計劃繼續擴充套件演算法，以探索更大的系統以及代表不同物理狀態或不同類別的基礎結構的量子模型。論文連結：http://dx.doi.org/10.1038/s41567-021-01201-7
https://quantum-model-learning-agent.readthedocs.io/en/latest/overview.htmlhttps://phys.org/news/2021-04-machine-algorithm-unravel-physics-underlying.amp