全球许多研究小组目前正在尝试开发可收集高精度测量值的仪器，例如原子钟或引力计。其中一些研究人员尝试使用纠缠的量子态来实现这一目标，该纠缠态的量子态比经典或非纠缠态的敏感性更高。然而，由于这种高灵敏度性，量子纠缠态在收集测量值时也更易于拾取无关信号的噪声，这阻碍了精确可靠的量子增强计量设备的开发。

为克服这一难题，德国汉诺威莱布尼兹大学的研究人员最近开发了可用于对量子数据进行消噪的量子机器学习算法，该算法可以帮助使用量子时钟或其他基于纠缠量子态的测量工具来产生更可靠的数据。他们的研究成果发表在最近的《物理评论快报》上

机器学习是一种普遍的数据分析方法，量子机器学习将机器学习的多功能性与量子算法的功能结合起来，是一个非常具有前景的方法。如传统的机器学习，量子机器学习算法依赖于一系列变分参数，这些参数需要先优化，然后才能使用算法来分析数据。为了学习正确的参数，首先需要对算法进行训练，该算法与设计要完成的任务有关，例如，模式识别、图像分类等。

对于量子机器学习，算法的输入和输出是量子态，例如可以通过使用超导体来实现的量子态，将输入状态映射到输出状态的算法在在量子计算机上实现。必须优化的变分参数是在量子计算机上执行的转换的经典参数。

研究人员想测试一下以前所开发的量子机器学习算法是否可以用于清理使用量子增强的度量工具收集的数据，这最终导致了在他们在论文中所介绍的量子自编码器的发展。研究人员解释说：“假设有一个量子实验，它给了许多嘈杂的量子态。”“此外，假设有一台可以处理这些状态的量子计算机。我们的自动编码器是一种算法，可以告诉量子计算机如何将实验中的嘈杂量子状态转换为去噪状态。”

研究人员首先优化他们的算法，训练其有效地对量子数据进行降噪。由于去噪参考状态很难获得或无法通过实验获得，因此研究人员使用了一种技巧，该技巧通常在优化经典自动编码器时使用，而经典自动编码器是一种无监督的机器学习算法。

研究人员说：“技巧是，算法的编写方式必须减少从输入到输出状态的信息。”“现在，品质因数定义为自动编码器处理过的状态与实验中另一个嘈杂状态之间的相似性。为了使这些状态尽可能相似，自动编码器必须保持两个状态下相等的信息，即它们的共同无声源，而在实验产生的每种状态下，噪声却都不同。”

研究人员进行了许多模拟，在其中产生了嘈杂的纠缠量子态。首先，他们使用这些“实验”输出优化自动编码器的变化参数。一旦完成该训练阶段，便能够评估其自动编码器在去噪量子测量方面的性能。

研究人员说：“我们方法的优点是具有通用性。”“无需事先知道实验输出的样子，也不必表征噪声源。即使实验输出不是唯一的，但取决于某些实验控制参数，去噪仍然计量应用有效。”

数值实验的目的是去噪一些自旋翻转误差和随机单元噪声的高度纠缠的量子态。他们的算法取得了显著成果，也可以在当前的量子设备上实现。

这些算法需要一台可以处理特定实验输出量子数据的量子计算机。例如，如果研究人员试图使用自动编码器基于捕获的离子对数据进行去噪，但量子计算机使用超导量子位，则还需要使用一种可以将状态从一个物理平台映射到另一个物理平台的技术。

尽管已经发现量子机器学习技术和量子计算机在各种任务中表现良好，但研究人员仍在尝试确定它们可能最有用的实际应用。他们最近进行的研究提供了一个清晰的例子，说明了如何将量子机器学习方法最终行之有效地应用于现实世界中。

所开发的量子自动编码器可用于提高使用量子增强工具，尤其是使用多体纠缠态的工具所收集的测量结果的可靠性。另外，还可以用作不同量子体系结构之间的接口。

不同的量子器件有不同的优点，例如，使用冷原子测量引力可能会更容易，光子对通信非常有用，超导量子位对量子信息处理更有用。要转换在这些不同平台之间交换的信息，需要接口，这些接口本身就会引入噪声。自动编码器可以帮助对交换的数据进行降噪。

研究人员正在尝试开发另一种类型的量子算法：递归量子神经网络。这种新算法的循环体系结构应使其能够存储过去处理过的信息并具有“内存”，这将使研究人员可以校正漂移。这可以使量子实验变得更简单，因为漂移将通过后处理而被滤除。递归神经网络的另一种应用是在噪声缓慢变化的情况下进行降噪。例如，如果通过空气发送纠缠的光子，则在下雪的阴天和炎热的不同天气条件下噪声可能会有所不同。但是，天气不能瞬间改变，因此具有记忆体的算法比没有记忆体的算法要好。

量子认知

简介科学新知识，敬请热心来

转载请注明:http://www.aideyishus.com/lkyy/1128.html