本文参加百家号#科学了不起#系列征文赛。

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，例如原子钟或重力计。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态对数量的敏感性更高。

然而，由于这种高灵敏度，量子纠缠态在收集测量值时也更容易拾取噪声（即无关信号）。这可能会阻碍精确可靠的量子增强计量设备的开发。

为了解决这一难题，德国汉诺威莱布尼兹大学的两名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。这些算法发表在《PhysicalReviewLetters》上的论文中，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产生更可靠的数据。

参与这项研究的研究人员之一DmytroBondarenko在莱布尼兹大学TobiasOsborne教授的指导下研究基于量子机器学习的新算法。在这项新研究中，Bondarenko和他的同事波利纳·费尔德曼（PorinaFeldmann）着手研究使用该算法对量子增强仪器收集的数据进行去噪的可行性。

Bondarenko和Feldmann认为，机器学习是一种普遍的数据分析方法，而量子机器学习是一个非常有前途的主题，因为它可以将机器学习的多功能性与量子算法的功能结合在一起。就像传统的机器学习算法一样，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，首先需要对该算法进行有关其设计要完成的任务（例如，模式识别，图像分类等）的数据的训练。

Bondarenko和Feldmann说：“将输入状态映射到输出状态的算法旨在在量子计算机上实现。必须优化的变异参数是在量子计算机上执行的转换的经典参数。”

两位研究人员想测试一下以前由Bondarenko和其他同事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。这也是他们最近的论文中介绍的量子自编码器研究的由来。作为他们研究的第一步，Bondarenko和Feldmann优化了他们的算法，训练他们有效地对量子数据进行降噪。由于去噪稳定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。

Bondarenko和Feldmann说：“技巧就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，品质因数被定义为自动编码器处理的状态与实验中另一个嘈杂状态的相似性。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的信息相同，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”输出来优化自动编码器的变化参数。一旦完成该训练阶段，他们便能够评估其自动编码器在去噪方面的性能。Bondarenko和Feldmann说：“这种方法的优点是通用性。也就是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，去噪仍然有效。”

数值实验的目的是对一些自旋翻转误差和随机噪声的高度纠缠量子态的去噪。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（即量子数据）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，但她的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。

Bondarenko和Feldmann说：“有效地训练我们的自动编码器需要进行几次试验，大量的实验数据以及测量量子态之间相似性的能力。尽管如此，我们的算法在这些资源上并没有太浪费，而且我们的示例足够小，至少在量子位方面，很容易适合许多现有的量子计算机。”

虽然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。Bondarenko和Feldmann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应用于现实世界中。

将来，由这两个研究人员开发的量子自动编码器可用于提高使用量子增强工具收集的测量结果的可靠性。另外，它们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，”Bondarenko和Feldmann说，“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，我们需要接口，这些接口本身就是引入错误。我们的自动编码器可以帮助对交换的数据进行降噪。”

Bondarenko和Feldmann现在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”，这将使研究人员能够校正漂移。这可以使量子实验变得更简单，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，如果一个人通过空气发送纠缠的光子，则在下雪的阴天和炎热的天气之间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。”

论文标题为《QuantumAutoencoderstoDenoiseQuantumData》。