量子计算与机器学习融合突破

2024年8月，在第十届国际量子信息与量子控制会议上，加州理工学院理论物理学教授兼某机构学者约翰·普雷斯基尔将荣获约翰·斯图尔特·贝尔奖。该奖项以欧洲核子研究中心物理学家约翰·贝尔命名，其贡献在于证明了量子纠缠的存在性。

获奖研究聚焦"量子计算中量子信息高效学习与处理的交叉领域"，探索使用经典和量子技术结合机器学习来深化对量子系统的理解。普雷斯基尔向某机构科学团队阐释了其获奖工作的技术细节。

技术核心：经典与量子双路径学习

经典机器学习量子世界 当量子计算机具备数百量子比特（qubit）时，完全表征其状态已超出当前能力范围，因为完整描述会随量子比特数指数级增长。为解决该问题，研究团队提出将复杂量子系统转化为精简经典描述的方法——通过有限次实验获得量子系统的"经典阴影"，可预测远超测量次数的系统属性。

该方法类比三维物体多轴二维投影：量子系统存在于难以想象的高维空间，通过投影压缩为少量信息。研究证明，无需大量采样即可预测物理学家通常关注的多数属性。

量子机器学习的优势 在量子学习场景中，量子数据存储在量子内存而非经典内存中，直接进行量子计算后输出经典结果。研究表明，对于某些量子系统属性的分析，量子计算机的处理效率远超经典计算机。

随机基测量技术 测量时无需预先确定待学习属性，只需对单个量子比特进行随机基测量（三种测量方式随机选择）。通过后续处理随机化数据，可预测量子比特簇的关联函数或量子系统能量期望值等属性。

纠缠测量突破 在量子学习设置中，对两个副本进行纠缠测量可实现测量数量的指数级缩减。在无噪声理想情况下，纠缠测量所需的测量次数为常数级，与系统规模无关；而单副本测量则需要随量子比特数指数增长的测量次数。

该技术有望推动新型量子传感的发展：传统光子计数方式会丢失光子间量子关联信息，而量子内存存储的多光子态结合多副本集体测量，可揭示传统测量方式无法捕捉的信号特征。

研究延续了贝尔的核心思想：量子纠缠作为资源可实现经典无法完成的任务——更强大的计算、新型测量和通信方式。量子计算的核心能力正是来源于计算过程中处理的高度纠缠态，这是经典系统无法表示的。