共计 1133 个字符，预计需要花费 3 分钟才能阅读完成。
量子硬件实现方面的进步使得人们能够获取传统计算机无法模拟的数据。将传统机器学习 (ML) 算法与这些数据相结合，有望揭示隐藏的模式。
与仅使用传统计算机相比，这种混合方法扩展了可有效解决的问题类别，但由于当前量子计算机中噪声的普遍存在，这种方法仅能用于解决受限问题。
韩国首尔大学（Seoul National University）的研究人员扩展了混合方法的适用性，用于解决多体物理学中的挑战，例如预测给定哈密顿量的基态性质以及对量子相进行分类。
通过在具有 127 个量子比特的超导量子硬件上进行各种减少误差的程序实验，研究人员设法从量子计算机中获取了精确的数据。
这使研究人员能够证明理论上建议的经典 ML 算法，可以在多达 44 个量子比特的系统中使用。该结果验证了经典 ML 算法在处理量子实验数据方面的可扩展性和有效性。
该研究以「Machine learning on quantum experimental data toward solving quantum many-body problems」为题，于 2024 年 8 月 30 日发布在《Nature Communications》。
随着信息存储和处理技术的进步，机器学习在生物学、化学和物理学领域的应用受到了广泛关注，尤其是在多体物理学中。然而，经典算法在处理强相互作用系统时存在局限性，而量子计算机虽有潜力解决这些问题，但现有设备仍易产生误差。
为应对这一挑战，科学家提出了将经典计算机与量子计算机结合的混合方法，并引入了量子态学习方法，如经典影子技术（Classical Shadow）。这种方法能够有效利用经典设备和机器学习技术，解决部分复杂问题，但量子计算误差仍是限制其应用和扩展的主要障碍。
一种混合方法
在这里，首尔大学的研究人员通过实验验证了混合方法对多体物理学中重要问题的适用性。先前的研究从经典计算机上的张量网络算法中获取了机器学习的训练数据。随着系统规模的增加，特别是超过二维，这些方法面临局限性，凸显了量子计算机在生成训练数据方面的实用性。
实验表明，量子计算机数据的经典 ML 不仅适用于一维多体物理问题，也适用于二维多体物理问题。在实验中，先前的研究主要使用经典阴影来估计给定量子态的可观测量。然而，基于严谨的算法，并对训练数据应用各种误差减少程序，该团队成功地将从量子计算机获得的经典阴影用于机器学习任务，将其应用范围扩展到预测给定状态的物理可观测量之外。
图示：基于量子实验数据的经典机器学习（ML）。（来源：论文）
该团队实现了经典的 ML 算法来解决与基态属性预测和量子相分类相关的问题。这些问题可以分别被视为传统 ML 中的回归和分类。
