《量子技术中的人工智能和机器学习》

近年来，机器学习的巨大进步已经开始对科学技术的许多领域产生重大影响。在本篇透视文章中，我们探讨了量子技术是如何从这场革命中受益的。我们通过说明性的例子展示了科学家们在过去几年是如何开始使用机器学习和更广泛的人工智能方法来分析量子测量，估计量子设备的参数，发现新的量子实验设置、协议和反馈策略，并普遍改善量子计算、量子通信和量子模拟的各个方面。我们强调了开放的挑战和未来的可能性，并以对未来十年的一些推测性愿景作为结束。

图1. 机器学习和人工智能可以帮助更好地解决的量子技术领域的任务概述。

机器学习在量子技术中的应用

• 测量数据分析和量子态表示

图3. 通过神经网络进行状态估计。(a) 对一个量子态的许多相同副本的测量可以被处理以产生一个量子态的估计。(b)对单个量子系统的连续弱测量可以用来更新估计的状态。在(a)和(b)中，一个单一的网络被训练来正确估计任意的状态。(c) 我们也可以训练一个基于网络的生成模型来重现一个量子状态的统计数据，即从概率分布中取样。训练需要许多可以测量的相同的副本，因此可以学习统计学。这里一个网络只代表一个量子态。它可以被扩展到处理任意基数的测量。

• 参数估计:学习量子系统的性质

图4. 机器学习用于量子设备的参数估计。(a) 一个典型的场景，测量结果的统计取决于一些可调整的测量设置和未知参数，这里表示为马赫-泽恩德设置中的相移。(b) 一个自适应的测量策略可以用一棵树来说明，每一层的分支都对应着不同的测量结果。根据这些结果，需要选择一个特定的下一个测量设置（表示为 "αj"）。寻找最佳策略是一项具有挑战性的任务，因为它相当于搜索所有这样的树的空间。 (c) 神经生成模型可用于随机抽查与先前测量结果兼容的未来可能的测量结果（这里是二维电流-电压图，如[68]）。这对于选择最佳的下一个测量位置是有帮助的。潜伏空间中不同的随机位置会产生不同的样本。(d) 五个可能的基本参数值的测量结果与测量设置（不同的曲线；测量不确定性通过厚度表示）。我们的目标是使信息增益最大化，即选择最能确定参数的设置（这不等同于使结果的不确定性最大化）。

• 发现硬件级量子控制的策略

图5. (a) 无模型强化学习的最终目标是直接应用于实验，然后可以将其作为一个黑盒。然而，许多实际的实现是使用无模型的RL技术应用于基于模型的模拟。(b) 基于模型的强化学习直接利用了模型的可用性，例如，通过可微调的动力学取梯度。

• 发现量子实验、协议和电路

图6. 量子实验的发现。量子光学实验可以用彩色的图来表示。使用最一般的、完整的图作为起始表示，人工智能的目标是提取解决方案的概念核心，然后可以被人类科学家理解。然后，该解决方案可以转化为众多不同的实验配置[113]。

图7. 用离散门发现量子电路和反馈策略。(a) 强化学习智能体通过选择门来作用于多量子比特系统，可能以测量结果为条件，找到一个优化的量子电路或量子反馈策略。(b) 一个固定布局的量子电路，其参数可以通过梯度上升进行优化，以实现一些目标，如状态准备或变异基态搜索（可能包括反馈）。

• 量子纠错

图8. 量子纠错。综合症在表面代码中解释为神经网络可以被训练来执行的任务。