Machine Learning of Quantum Entanglement from Noisy Measurements

想象一下，你正试图弄清楚两枚神奇的骰子是否被一根隐形的线秘密地联系在一起。在量子物理的世界里，这种“隐形的线”被称为纠缠（entanglement）。当粒子发生纠缠时，无论它们相隔多远，都会像一个团队一样行动；如果你掷出一个六，另一个也会瞬间显示一个特定的数字。这不仅仅是一个酷炫的技巧，它还是未来技术（如不可破解的互联网和超高速计算机）背后的超能力。

为了检查粒子是否真的处于纠缠态，科学家通常会玩一场“重构拼图”的游戏。他们进行成千上万次测量，通过繁重的数学计算来重建粒子的完整图像（称为密度矩阵），然后在这幅图像中寻找那根隐形的线。这就像是为了品尝一口蛋糕的味道，而不得不从头开始重新烘焙一整个蛋糕。但如果我们可以直接观察桌上的碎屑，就能立刻知道蛋糕的味道呢？这就是这篇论文提出的核心问题：我们能否跳过繁重的数学计算，利用聪明的计算机程序直接从原始数据中识别出纠缠？

神奇的碎屑与聪明的猜想者

在这项研究中，研究团队决定测试机器学习（ML）——即那种能帮助手机识别面孔的计算机智能——是否能在不进行重建整个量子图像的繁重工作的情况下，识别出量子纠缠。他们将重点放在被称为光子的光粒子对上，因为光子常用于量子实验，因为它们很容易通过电缆或空气传输。

通常，为了理解这些光子，科学家会使用一种特殊的测量工具，叫做 SIC-POVM。你可以把它想象成一个 16 面的骰子，你通过掷它来观察光子的行为。每次掷骰子，你会得到一个数字，在多次掷骰子后，你会得到一组由 16 个数字组成的列表（一个向量）。在现实世界中，这些数字是杂乱的，因为存在“散粒噪声（shot noise）”——这基本上是计数单个光子的随机性，就像是在暴雨中尝试计算雨滴的数量。

研究人员模拟了一个大规模实验，创建了两类数据集，以观察计算机是否能仅通过观察这些杂乱的 16 位数字列表，就学会区分“已链接”（纠缠）和“未链接”（可分）的光子。

第一项测试：简单的“是或否”游戏

首先，他们创建了一个有两个非常清晰分组的数据集：确定是可分（未链接）的光子和极大纠缠（超级链接）的光子。他们生成了 20,000 个这些“碎屑列表”的样本。

他们教了五种不同类型的机器学习算法来玩一个游戏：“看这个 16 位数字列表。它是链接的还是不是？”

• 结果： 计算机表现得极其出色。在给定正常量的训练数据时，像**支持向量机（SVC）和随机森林（Random Forests）**这样的算法得到了完美的得分 1.0000（100% 准确率）。它们可以瞬间分辨出差异。
• “微量数据”挑战： 为了测试这些算法的韧性，研究人员给了它们几乎没有训练数据——仅有 40 个样本（20 个链接的和 20 个未链接的）来学习。这就像是通过只读两句话就试图学会一门新语言。即使面对如此微小的样本，K-最近邻（K-Nearest Neighbors）、SVC 和随机森林算法仍然实现了 100% 的准确率。
• 线索： 研究人员还尝试让计算机在不知道类别的情况下进行分组（无监督聚类）。计算机自然地将 20,000 个列表分成了两个完美的组，在 20,000 个样本中仅出现了 5 次错误。这表明，即使存在噪声，链接光子的数据“形状”与未链接的光子在本质上也是不同的。

第二项测试：“也许”游戏

第一个测试之所以简单，是因为两组数据之间距离很远。但在现实世界中，纠缠不仅仅是“是”或“否”，它可以是“有一点点链接”或“非常链接”。为了测试这一点，研究人员使用了 Werner 态，这是一类可以从“完全未链接”调节到“完美链接”的量子态。

他们创建了一个包含 250,000 个样本的海量数据集，涵盖了每一个纠缠水平。

• 分类： 计算机在区分“链接”和“未链接”方面依然表现出色。最好的算法 SVC 达到了 0.99498（约 99.5%）的准确率。
• 难点： 研究人员注意到，计算机主要在“边界区域”出错，即状态刚刚开始产生纠缠的区域。这就像是在水面随风波动时，试图分辨一杯水是“半满”还是“半空”。噪声使得区分极弱链接的状态与未链接的状态变得困难。
• 回归（“有多少？”游戏）： 研究人员不再仅仅要求计算机回答“是”或“否”，而是要求它们猜测纠缠的具体程度（一个 0 到 1 之间的数字）。他们使用了两种方法：支持向量回归（SVR）和随机森林回归器（RFR）。
  • RFR 模型在所有 250,000 个样本上进行了训练，成为了其中的佼佼者。它预测纠缠程度的准确度（R²）达到了 0.99947。
  • 大惊喜： 他们将此与重建整个量子图像的传统方法（即量子态断层扫描或 QST）进行了对比。QST 方法的误差率为 0.0066，而 RFR 方法甚至更好，误差率仅为 0.00315。

这意味着什么

论文表明，你并不总是需要通过重建整个量子图像来进行繁重的数学计算才能知道粒子是否纠缠。在这些包含了现实中“雨滴式”噪声（泊松散粒噪声）的模拟中，机器学习可以直接观察原始测量数据并说：“这些是链接的，”甚至可以说：“这些是 85% 链接的，”而且速度极快且准确度极高。

研究人员发现，在这个 16 维空间中的数据“形状”蕴含着纠缠的秘密，即使在数据杂乱的情况下，聪明的算法也能找到这种形状。虽然这项研究是基于模拟数据进行的，尚未考虑到所有可能的现实世界故障（如探测器损坏或信号丢失），但它证明了机器学习是一个强大的新工具。它预示着在未来，我们或许能够实时分析量子实验，跳过缓慢、复杂的数学步骤，直接获取答案。