原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图将一大堆混杂的袜子分拣成“左”和“右”两堆。在计算机世界中，这被称为分类。一种流行的实现此任务的工具叫做支持向量机（SVM）。你可以将 SVM 想象为一个非常聪明的机器人，它试图在两组事物之间画出一条完美的线（或墙），使它们互不混淆。
然而，当我们把这个机器人带入量子计算的领域（即计算机利用奇特的物理定律来处理信息）时，该机器人需要一套特殊的指令来理解数据。这些指令被称为量子核。
问题：设计这些指令非常困难
通常，科学家必须手动设计这些量子指令。这就像试图手工搭建一台复杂的乐高机器，猜测哪些零件该放在哪里，并 hoping 它能运转。这不仅耗时，而且往往机器运转效果不佳。
解决方案：让进化来工作
本文介绍了一种名为GEKO（基因工程核优化）的新方法。研究人员没有让人类设计指令，而是让计算机程序扮演自然进化的角色。
以下是他们如何做到的，使用一个简单的类比：
- 种群：想象一个装满各种随机搭建的乐高机器的盒子（这些就是“电路”）。
- 测试：他们让这些机器开始工作，去分拣袜子。
- 适者生存：分拣袜子效果最好的机器被保留下来，失败的机器则被丢弃。
- 变异：成功的机器被复制，但带有微小的随机变化（比如将一块红色积木换成蓝色，或者添加一个新零件）。
- 重复：这个循环一遍又一遍地发生。就像在自然界中一样，经过许多代之后，“机器”在没有人类确切告知如何操作的情况下，分拣袜子的能力变得越来越强。
研究人员使用了一套特定的“工具箱”，其中包含量子乐高零件（如 X、CNOT 等逻辑门），来构建这些电路。
两种评估成功的方式
该论文测试了两种不同的方法来决定哪台机器是“最适应的”：
- “教师”方法（监督学习）：计算机被提供带有正确标签的袜子（例如，“这是一只左袜”）。它检查机器是否得出了正确答案。这就像老师批改试卷。
- “自我发现”方法（无监督学习）：计算机被提供没有标签的袜子。它不检查正确答案，而是观察机器内部状态的“复杂”或“纠缠”程度。其想法是，更复杂的内部结构可能更擅长发现隐藏的模式。这就像通过机器的齿轮有多精密来评判它，而不是看最终结果。
他们的发现
研究人员在多个数据集上测试了这种“进化”方法，范围从简单的虚构形状（如月牙形和圆形）到现实世界的数据，如葡萄酒类型、乳腺癌记录和药物分类。
- 优于标准方法：通过这种遗传算法进化出来的机器，其表现与人类通常使用的标准方法一样好，甚至更好。它们始终优于一种常见的量子方法，即"PauliZZ"。
- 平滑的决策：当研究人员观察机器如何做出决策时，遗传算法在群体之间创建了非常平滑、清晰的边界。而标准方法有时会创建“斑驳”或混乱的边界。
- 熵之谜：研究人员想知道，机器内部越“混乱”（熵越高），它是否就越聪明。他们发现，机器的混乱程度与其表现之间没有强关联。一台混乱的机器并不一定就是聪明的机器。
结论
这篇论文表明，你不需要人类天才来设计用于分拣数据的最佳量子指令。通过使用遗传算法（进化的数字版本），你可以自动生成这些指令。其结果是一台能够高效分拣数据的量子机器，这可能会使未来用于金融、医疗和科学的工具变得更加强大。
简而言之：与其亲手构建量子大脑，不如让它自我进化，结果证明它是一个非常优秀的学生。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。