量子计算机有望解决当今机器无法解决的问题，但它们是出了名的脆弱。被称为量子比特（qubits）的微小粒子携带信息，极易受到环境干扰，从而产生可能毁掉整个计算的误差。为了使这些机器变得有用，科学家必须首先准确理解它们的行为方式。这需要一个被称为“表征”（characterization）的过程：测量机器的输出，并向后推导以弄清楚内部发生了什么。这有点像仅通过观察时针和分针来试图理解复杂钟表的内部构造，但又带有一丝特殊的转折。在量子世界中，用于逆向工程钟表齿轮所需的数学运算变得极其复杂，以至于除了极小的设备外，几乎无法求解任何问题。随着这些机器扩展到数百个量子比特，用于弄清其行为的传统方法遇到了瓶颈，导致研究人员拥有了强大的硬件，却无法完全信任或调试它们。

一组研究人员开发出了一种突破这一瓶颈的新方法，将曾经在计算上不可能完成的任务转变为一项可控的任务。他们并没有尝试直接求解复杂的数学方程，而是教会了一台计算机通过观察数百万个模拟示例，来学习量子机器的设置与其结果之间的关系。这种方法被称为“基于模拟的推理”（simulation-based inference），它允许他们构建一个数字模型，该模型可以瞬间猜测出真实量子计算机产生的任何测量结果背后的隐藏原因。研究人员在规模高达 81 个量子比特的系统上展示了这种方法，成功识别了噪声模式、纠正了错误，甚至绘制出了模拟量子模拟器中原子的物理位置图。通过在由快速经典超级计算机生成的数据上训练神经网络，他们创建了一个能够单步分析量子设备的工具，不仅能提供最佳猜测，还能清晰地展示该猜测的置信度。

这种新方法的核心在于两种类型程序之间的巧妙分工。第一种是模拟器，即模仿量子系统在特定条件下应如何表现的程序。虽然模拟真实的量子系统很难，但研究人员发现，对于许多实际情况，他们可以使用简化的经典算法快速生成大量的训练数据。他们将这些数据喂给第二种程序——一个旨在学习模式的神经网络。该网络经过训练，能够观察模拟器的输出并立即预测导致该输出的设置。一旦训练完成，这个网络就充当了一个“通用翻译官”。当一台真实的量子计算机产生一次测量结果时，该网络可以瞬间将该数据转化为关于机器内部可能发生情况的概率图。这消除了为每次新实验都运行缓慢且复杂计算的需求，将原本需要数小时或数天的任务缩短到了几秒钟。

研究人员在四个不同的挑战中测试了这一框架，展示了其在不同类型量子问题上的通用性。首先，他们利用该方法了解了一个 50 量子比特系统中的噪声。在量子计算中，噪声是指渗入计算的随机误差。团队成功识别了数百个不同逻辑门（量子电路的基本构建模块）的特定误差概率。他们发现，虽然某些误差源很容易定位，但另一些误差源在本质上是相互关联的，以至于无法被分离。至关重要的是，他们的方法能自动识别出这些“不可识别”的参数，从而明确告诉研究人员哪些测量数据不足，以及在哪里需要更深入的观察。这种区分“已知”与“未知”的能力，是改进未来实验的重要诊断工具。

接着，团队将他们学到的噪声模型应用于实时修复错误。量子误差缓解（quantum error mitigation）是一种无需完美硬件即可清理噪声数据的技术。通过将神经网络对噪声的理解输入到标准的校正协议中，他们能够从有噪声的模拟中恢复出准确的结果。在一次涉及相互作用原子链的测试中，他们的方法比现有技术减少了一半以上的误差，并且即使在预测从未见过的电路深度时，依然能保持准确。这表明该模型学习的是误差的底层物理机制，而非仅仅记忆特定的例子，从而使其能够泛化到新情景中。

该框架在量子态层析成像（quantum state tomography）方面也表现出了效力，这是一个用于重建系统完整量子态的过程。通常，这需要对系统进行多次测量，并为每个新状态进行繁重的计算。研究人员在各种模拟状态上训练了他们的神经网络，发现它能以极高的精度重建新的、未见的量子态。在 12 量子比特系统的测试中，该网络重建状态的保真度（即准确度）超过了 99%。这意味着该方法可以作为一个可重复使用的工具，用于检查量子态的质量，而无需为每一次新实验都重新训练系统，这是使大规模机器的量子诊断变得实用的重要一步。

最后，团队解决了哈密顿量学习（Hamiltonian learning）问题，这涉及到弄清楚支配量子系统的精确力量和相互作用。他们将该方法应用于一个由 81 个原子组成的模拟阵列，目标是根据原子与其邻居的相互作用方式来确定每个原子的精确物理位置。即使存在仅几纳米的微小位移，神经网络也能以惊人的精度推断出原子的位置。结果与真实值高度相关，且网络的确定性估计准确地指出了数据不够清晰的少数区域。这种能力对于校准未来的量子模拟器至关重要，因为原子的物理位置决定了机器的整体行为。

这项工作的成功在于研究人员并未尝试直接解决那些“不可能”的数学问题。相反，他们接受了无法为每一个新情况都计算出答案的事实。通过投入前期时间在海量模拟数据上训练模型，他们创建了一个能够带来高效且可重复使用回报的系统。该方法之所以奏效，是因为它利用了这样一个事实：许多量子系统（即使是大型系统）仍然具有经典计算机可以高效模拟的结构。通过将这些高效的模拟器与强大的神经网络相结合，研究人员搭建了一座连接经典世界与量子世界的桥梁。这种方法并不取代物理实验的需求，但它提供了一个观察物理实验的强力透镜，将原始数据转化为关于量子世界的、具有行动价值的洞察。

这项工作的意义不仅限于这些具体的测试。研究人员指出，他们的方法具有足够的通用性，可以应用于许多其他量子科学领域，例如校准传感器或设计反馈控制。虽然目前的结果是基于模拟的，但该框架同样旨在处理真实的实验数据。其核心限制仍然在于模拟训练数据的能力；如果一个系统变得过于复杂，以至于连最优秀的经典模拟器也无法模拟，那么该方法就需要进行调整。然而，对于目前可触及的大多数量子系统而言，这项技术提供了一条切实可行的路径。它将量子设备的表征过程从一种缓慢的、定制化的过程，转变为一种流线型的、自动化的能力，让我们离实现可靠调优并信任量子计算机处理现实应用的日子又近了一步。