Quantum Gaussian processes for prediction of channel observations
本文通过在均匀先验下推导闭式核函数，并引入经验贝叶斯启发式方法以克服可扩展性限制，将量子高斯过程（QGP）回归扩展到预测未知量子通道的输出，从而实现即使在实验噪声存在的情况下，也能对局部和全局多比特系统进行忠实的学习与优化。
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，试图通过观察一台复杂机器的输出结果来理解其工作原理，却从未被允许打开机壳去观察内部的齿轮。这就是科学家在研究量子计算机时每天面临的现实。这些机器操纵着物质最基本的构建模块，但它们极其脆弱且难以控制。通常情况下，研究人员并不需要了解机器处理信息的每一个微小细节；他们只需要预测在机器运行完特定的操作序列后，某个特定测量值的输出结果，例如一组原子的平均磁性。挑战在于，如果通过测试每一种可能的输入来学习机器的行为，将耗费如此多的时间和精力，以至于变得不再可能，尤其是当机器规模不断扩大时。
为了解决这个问题，科学家们转向了一种被称为高斯过程（Gaussian process）的统计工具。可以将它想象成一个高度智能的猜测者。如果你向它展示一些系统行为的示例，它就能预测系统在从未见过的情境下的表现，同时还能告诉你它对该猜测的信心程度。多年来，这种方法在处理完美隔离且表现出可预测、可逆性的量子系统时效果良好。然而，现实世界的量子设备是“凌乱”的。它们与环境发生相互作用，丢失信息，并且表现出并非完全可逆的行为。本文解决了将这种智能猜测工具应用于那些凌乱的、现实世界的量子机器（即量子信道）这一难题。
研究人员首先提出了一个基本问题：如果我们对某个特定的量子机器一无所知，只知道它是一个有效的物理过程，那么最合理的猜测方式是什么？他们决定将机器可能演化的每一种方式都视为等可能，这是一个被称为“均匀先验”（uniform prior）的概念。基于这一广泛的假设，他们在数学上证明了机器的输出将遵循特定的统计模式。他们推导出了一个精确的规则，或称为“核函数”（kernel），该函数描述了一个输入的输出与另一个输入的输出之间的关系。这一规则依赖于一个简单的物理概念：两个初始状态越相似，它们的结果也会越相似。这创建了一个全新的、具有严密数学逻辑的框架，用于预测量子输出，而无需完全了解机器的内部运作机制。
然而，当团队在这个新框架应用于大型系统时，他们碰壁了。他们推导出的数学规则包含一个因子，使得随着系统规模的增大，预测信号变得极其微弱。对于小型机器，这是可以处理的。但对于一个拥有六十四个量子比特的系统，信号变得如此微弱，以至于被测量的自然噪声所淹没。这就像是该工具在告诉他们，从统计学上讲，机器应该产生零信号，从而导致无法从数据中学习到任何东西。研究人员意识到，虽然他们的“完全无知”假设在数学上是成立的，但在实际实验中过于悲观了。在受控的实验室中，即使是带有噪声的机器，通常也会产生清晰的、非零的信号。
为了修复这个问题，团队引入了一个巧妙的调整方案。他们不再让僵化的数学规则来决定信号强度，而是提出了一种直接从数据中学习信号规模的方法。他们保留了描述“输入相似性导致输出相似性”的部分规则，但用一个可以调节的灵活数值替换了那个微小的、固定的缩放因子。这使得模型能够信任它所观测到的数据。当他们用这种调整后的方法进行测试时，结果令人瞩目。对于那个大型的六十四量子比特系统，原始方法完全失效，无论进行多少次测量都无法改善其预测能力。而新的、调整后的方法则成功学习了系统的行为。随着测量次数的增加，预测变得越来越准确，最终与机器的真实行为相匹配。
团队并未止步于模拟实验。他们将这种方法应用到了位于波士顿的一台由 IBM 构建的真实量子计算机上。他们编写了一个包含四个量子比特的小型机器，使其模拟一个带有噪声的量子信道，并利用他们的工具来预测该机器在从未见过的输入上的测量结果。预测结果与实验结果高度吻合，证明了该方法即使在硬件不完美且存在噪声的情况下依然有效。这表明该方法对于当前处于“凌乱”状态的量子技术具有足够的鲁棒性。
除了仅仅预测输出结果之外，研究人员还展示了该工具可以用来引导机器实现预设目标。他们设定了一个任务，目标是通过调整机器的设置来制备特定的量子态。利用他们的统计模型作为引导，他们找到最佳设置的速度比标准的优化方法要快得多。这表明该技术有望成为控制未来量子设备的至关重要的组成部分，帮助科学家在复杂的量子行为图景中进行导航，而无需进行数百万次昂贵的实验。这项工作架起了理论概率与实际应用之间的桥梁，提供了一种即使在面对大型、多噪且高度未知的量子机器时，也能从中学习的方法。
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。