人工智能算法有助于揭开量子系统的物理基础。

来自布里斯托尔大学量子工程技术实验室(QETLabs)的科学家们开发了一种算法，为量子系统的基础物理提供了宝贵的见解:它为量子计算和传感的巨大进步铺平了道路，并可能在科学研究中翻开新的一页。

在物理学中，粒子系统及其演化是用数学模型来描述的，这需要理论论证和实验验证的成功互动。更复杂的是量子力学层面上对粒子系统间相互作用的描述，这通常由哈密顿模型来完成。由于量子态的性质，从观测值中建立哈密顿模型更加困难。当试图验证它们时，它们通常会崩溃。

在《自然》和《物理》杂志上发表的论文“从实验中学习量子系统模型”中，来自布里斯托尔QET实验室的量子力学专家描述了一种算法，该算法通过使用机器学习作为自主代理来逆向设计Hamilton模型，从而克服了这些挑战。

该团队开发了一种新的协议来开发和验证感兴趣的量子系统的近似模型。他们的算法自主工作，在目标量子系统上设计并执行实验，并将结果数据反馈给算法。提出了描述目标系统的候选哈密尔顿模型，并用统计指标，即贝叶斯系数来区分它们。

令人兴奋的是，该团队可以在涉及钻石缺陷中心的真实量子实验中成功演示该算法的能力。Diamond是一个经过充分研究的量子信息处理和量子传感平台。这种算法可用于帮助新设备的自动表征，如量子传感器。因此，这一发展代表了量子技术发展的重大突破。

“结合当今超级计算机和机器学习的能力，我们可以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，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，然后使用这些设备来理解越来越大的计算系统，”布里斯托大学QETLabs和量子工程博士培训中心的布莱恩·弗林说。

理解描述量子系统的基本物理和模型将有助于我们推进对适用于量子计算和量子传感的技术的理解。这项研究的下一步是将算法扩展到探索更大的系统和不同类型的量子模型，代表不同的物理现象或基本结构。