据外媒报道，美国陆军作战能力发展司令部陆军研究实验室（U.S. Army Combat Capabilities Development Command"s Army Research Laboratory）与杜兰大学（Tulane University）研究人员将机器学习与量子信息科学（QIS）结合起来，利用光子测量重建未知系统的量子态。

（图片来源：U.S. Army image）

QIS是一个快速发展的领域，利用微观量子系统的独特特性，比如光的单个粒子或原子，打造通信、计算和传感方面的强大应用，而利用传统技术要么无法实现，要么效率较低。

陆军企业研究实验室科学家Brian Kirby博士表示，“我们想把机器学习应用到QIS中，因为机器学习系统能够基于示例数据集做出预测，而无需对给定任务进行显式编程。近年来，机器学习在计算机视觉等领域表现出色。在大量预先分类的图像上训练机器学习算法，然后可以正确地对从未见过的新图像分类。”例如，银行经常使用机器学习系统读取支票上的笔迹，尽管系统程序之前从未见过这些特殊的笔迹。研究人员称，这种图像分类类似于根据测量数据重建量子态。

杜兰大学研究员Sanjaya Lohani博士称，“在图像识别中，机器学习算法试图判断某种物体是汽车还是自行车。在寻找测量数据中暗示数据来源的特定特征时，机器学习系统同样有效。在这两种情况下，输入数据都可看作是一个二维数组，而机器学习系统试图从中挑选出特定的特征。”

为了描述未知的量子系统，研究团队使用了量子态断层扫描（QST）技术。研究人员准备和测量了相同的未知量子系统，并用复杂的计算过程确定了与测量结果最一致的量子系统。然而，研究人员还需要开发方法，以处理与量子信息协议相关的经典信息。杜兰大学Ryan Glasser教授称，“该领域经常忽略了操作量子信息系统所需要的经典信息处理。随着研究和能力的成熟，现实世界部署指日可待，这些都是我们需要解决的问题。”

最近，研究人员开发了一个系统，可以重建量子态和标准，在一些情况下要优于需要更多计算资源的方法。杜兰大学研究员Onur Danaci表示，“我们意识到我们可以在原始模拟中匹配现有系统性能，我们想看看是否可以通过训练系统来预测常见错误，从而建立在应对常见错误时的恢复能力。”

为此，该团队模拟了测量中常见的误差来源，比如未对准的光学元件，并利用其训练机器学习系统。当测量结果不仅有噪音，而且完全丢失时，研究人员对系统进行进一步测试。Danaci表示，该团队的方法在每种情况下都优于传统的状态重建方法，同时需要更少的计算资源。

由于该团队可将所有昂贵的计算提前加载到训练过程中，因此实际重建需要的资源相对较少。Kirby表示，研究人员希望在未来将这些预先训练好的便携式量子系统部署在小型现场设备中，例如无人机或车辆等硬件空间有限的应用。