在量子力学中，复杂的粒子系统演化通常是用一种名为「哈密顿量」的数学模型来描述的，但需要理论论证和实验验证成功地相互印证。然而，量子态不稳定的本质使根据观测值建立哈密顿量模型的过程变得困难，当试图检查它们时，量子态就会崩溃。
最近，布里斯托大学量子工程技术实验室（QETLabs）的科学家们开发了一种新的协议，该协议通过使用机器学习对哈密顿量模型进行逆向工程来充当自治代理，提供了对量子系统基本物理原理的宝贵见解。这项研究为量子计算领域的重大进步铺平了道路，并可能会在科学研究领域掀开新的篇章。研究成果于4月29日以「从实验中学习量子系统的模型」（Learning models of quantum systems from experiments）为题发表在杂志《自然·物理学》（Nature Physics）上。在科学研究中，通常通过简化模型近似使基本特征得到理解。该模型的实用性取决于逼近实际物理系统的逼真度，并且可以通过模型预测与实际实验数据的一致性来测量。然而，量子态的固有脆弱性和模拟量子系统的计算复杂性使得研究人员很难通过实验数据为量子系统制定和测试哈密顿量。QETLabs 团队开发了一种新的名为「量子模型学习代理」（QMLA）的协议，可以为实验的量子系统制定和验证近似模型。他们的算法可以自主工作，在目标量子系统上进行设计并进行实验，然后将所得数据反馈到算法中。
QMLA协议流程图。（来源：论文）更令人兴奋的是，该团队利用金刚石中晶格空位缺陷在真实的量子实验中成功展示了这一算法的能力。已知，金刚石是进行量子信息处理和量子传感的良好平台。在初步仿真中，可以正确推断出确切的已知模型，成功率高达59％。使用实验数据时，有74％的协议实例检索被认为合理的模型。研究人员还研究了10种可能的模型，通过在协议中纳入遗传算法的探索策略（ES），该协议可在85％的实例中识别目标模型。
金刚石中氮空位中心电子自旋研究中模拟数据和实验数据的 QMLA 结果。（来源：论文）关于哈密顿量和 QMLA
在量子力学中，哈密顿量是一个表示粒子系统总能量的可观测量，哈密顿算符产生了量子态的时间演化。由于哈密顿量是对物理和化学过程进行研究和分析的基础，因此忠实于它们代表的系统至关重要。QMLA 就很好的解决了先前无法对实际实验中的粒子系统建立近似模型的问题。QMLA 是一种用于表征量子力学系统和设备的机器学习协议。它旨在确定最能解释所研究系统中观察到的数据的模型。为此，它考虑了一系列候选模型，执行了学习过程以优化那些候选模型的性能，然后选择最佳候选模型。利用该过程中到目前为止获得的信息，可以迭代地构建新的候选模型，以提高模型的逼近度。QMLA 可对模拟或实验数据进行建模，也可以与在线实验结合使用。用户可以开发自定义 ES 并将其插入 QMLA 框架中，以便根据要求定位系统，运行实验并生成模型。该框架是模块化的，允许用户选择适合其要求的组合，或根据需要轻松添加功能。机器学习助力物理学发现
QMLA 协议能够根据有限的先前假设自主制定和测试建模的代理开发，可用于辅助像量子传感器这类自动表征的设备。因此，该研究是朝着表征大量子系统迈出的基本一步，也是量子技术发展的重大的突破。
氮空位中心设备，用于QMLA的实验展示。（来源：phys.org）「将当今超级计算机的强大功能与机器学习相结合，我们能够自动发现量子系统中的结构。随着新的量子计算机、模拟器的出现，该算法变得更加令人兴奋：首先，它可以帮助验证设备本身的性能，然后利用这些设备来了解更大的系统，」QETLabs 的 Brian Flynn 说。QETLabs 的前研究员 Andreas Gentile 说：「这种自动化水平使得在选择最佳模型之前可以接受各种假设模型，否则该任务对于复杂性不断提高的系统而言将是艰巨的。」QETLabs 联合主任、布里斯托尔物理学院副教授 Anthony Laing 对这项研究有着高度的赞扬：「过去，我们依靠科学家的智力和辛勤工作来发展物理学。通过赋予机器具有从实验中学习和发现物理的能力，研究团队有可能翻开科学研究的新篇章。其后果的确是深远的。」下一步，该团队计划继续扩展算法，以探索更大的系统以及代表不同物理状态或不同类别的基础结构的量子模型。论文链接：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
