量子计算与机器学习融合突破

量子机器学习突破：经典阴影与量子测量新范式

加州理工学院理论物理教授、某机构学者约翰·普雷斯基尔因在"高效学习与量子信息处理接口"领域的研究成果，获得2024年约翰·斯图尔特·贝尔量子力学基础研究奖。该工作探索了使用经典和量子机器学习技术来深化对量子系统的理解。

经典机器学习在量子系统中的应用

针对拥有数百量子比特（qubit）的量子计算机，完全表征其量子态超出当前能力范围，因为完整描述会随量子比特数量指数级增长。研究团队提出"经典阴影"方法，通过相对较少的实验获得量子系统的简洁经典描述，从而预测大量物理特性。

该方法类比于将三维物体沿多个轴投影到二维平面：量子系统存在于难以想象的高维空间，通过投影压缩为少量信息。研究证明，不需要大量快照即可预测物理学家通常感兴趣的多项特性。

量子机器学习的优势

在量子学习场景中，研究展示了量子计算机处理某些量子系统特性的效率远高于经典计算机。通过将量子数据存储在量子内存中并进行量子计算，最后获得经典答案，这种方法在特定情况下可大幅减少预测属性所需的实验次数。

关键技术突破包括：

• 纠缠测量：同时对两个副本进行纠缠测量，显著减少所需实验次数
• 随机基准测量：通过随机选择三种测量方式之一对量子比特进行测量，利用随机性提升预测能力
• 多副本处理：在无噪声理想情况下，纠缠测量所需的测量次数是常数，与系统大小无关

技术应用前景

这项技术为新型量子传感开辟了道路。传统光子计数方法会丢失光子间量子关联的大量信息，而新方法允许：

• 量子存储器收集多光子状态
• 对多个副本进行集体测量
• 从信号中检测传统方法无法发现的量子特征

在天文观测等场景中，该方法有望从太空来源的光子量子关联中提取更多信息，突破传统测量方式的限制。

与贝尔理论的传承

该工作继承了约翰·贝尔的学术遗产，证明量子纠缠作为一种资源，能够实现传统方法无法完成的任务：更强大的计算、新型测量和通信方式。量子计算的核心能力正是来源于处理高度纠缠的多量子比特状态，这是经典方法无法表示的。

这项研究代表了量子计算与机器学习融合领域的重要进展，为未来量子技术的发展提供了新的理论基础和技术路径。