在量子技术日益受到重视的今天，美军提出了一个新的机器学习框架，为未来小型移动量子网络的发展铺平了道路。

来自美国陆军作战能力发展司令部陆军研究实验室和杜兰大学的研究人员将机器学习与量子信息科学（QIS）相结合，利用光子测量技术重建未知系统的量子状态。

量子信息系统（QIS）是一个快速发展的领域，它利用微观量子系统的独特特性，如光的单个粒子或单个原子，在通信、计算和传感方面实现强大的应用，而这些应用在传统手段下要么不可能实现，要么效率较低。

“我们希望将机器学习应用于QIS中的问题，因为机器学习系统能够根据示例数据集进行预测，而无需对给定任务进行明确的编程，”陆军企业研究实验室的科学家Brian Kirby博士说

近年来，机器学习的这种特性，已经使得其在计算机视觉等领域取得了卓越的成就。例如，银行经常使用机器学习系统来读取支票上的笔迹，尽管这个程序以前从未见过这种笔迹。研究人员说，这种图像分类类似于从测量数据中重建量子态。

“在图像识别中，机器学习算法试图判断物体是汽车还是自行车，”杜兰大学的研究人员Sanjaya Lohani博士说机器学习系统同样可以有效地寻找测量数据中的特定特征，这意味着它来自哪种状态。在这两种情况下，输入数据都可以看作是一个二维数组，ML系统会尝试在数组中找出特定的特征。”

为了描述一个未知的量子系统，研究小组使用了量子状态层析术（QST）。他们制备和测量相同的未知量子系统，并使用复杂的计算过程来确定与测量结果最一致的量子系统；然而，研究人员需要开发替代方法来处理与量子信息协议相关的经典信息。

“这一领域常常忽略了运行量子信息系统所需的经典信息处理，”杜兰大学教授Ryan Glasser说，“随着研究和能力的不断成熟，现实世界的重现指日可待，这些都是我们需要解决的工程问题。”

“一旦我们意识到我们可以在原始模拟中与现有系统的性能相匹配，我们就想看看是否可以通过训练系统来预测它们来增强对常见错误的恢复力，”杜兰大学的研究人员Onur Danaci说。

为了做到这一点，研究小组模拟了常见的测量误差源，如未对准的光学元件，并用这些来训练机器学习系统。研究人员进一步测试了他们的系统，当测量不只是噪声，而是数据完全缺失时的情况。结果值得注意，新技术在每种情况下都优于传统的状态重建方法，同时所需的计算资源更少。

“因为团队可以将其所有昂贵的计算预先加载到训练过程中，因此实际重建需要相对较小的工作量资源，”Kirby说，“研究人员希望将来将这些经过预先训练的便携式量子系统部署到小型场设备上，比如无人机或车辆，因为那里的硬件空间有限。”

译/前瞻经济学人APP资讯组