一种受量子启发的随机混合态分类方法

为什么隐藏的量子模式很重要

像超安全通信和强大新型计算机这样的量子技术依赖于粒子间一种奇特的联系——关联，尤其是纠缠。然而在实验室中，真实的量子系统往往混乱且带噪声，这使得识别实际存在的关联类型变得困难。本文提出了一种新方法，能够自动将带噪声的量子态分为三大类——无关联、经典相关和真正纠缠——其思想借鉴了量子器件本身试图区分态时所采用的方法。该方法在普通计算机上运行，但从根本上受量子物理原理指导。

像处理电子邮件一样对量子态进行排序

工程师越来越多地使用机器学习来识别量子数据中的模式，就像垃圾邮件过滤器对电子邮件分类一样。有些方法直接在量子硬件上运行，而另一些则使用受量子理论启发的经典算法。这些方法的一个关键基准是它们能否在小规模量子比特（qubit）系统中正确分类不同的关联模式。对于两比特和三比特系统，量子态可以完全独立、仅以经典方式混合，或以能够驱动量子技术的方式真正纠缠。对于理想化、完美制备的态，区分这些情况很直接；一旦出现不完美和噪声，产生所谓的混合态，将多种可能混合在一起，情况就变得困难得多。

受量子测量启发的分类器

作者在一个名为近优测量（Pretty-Good-Measurement，PGM）的框架上进行了扩展，该框架此前已在理想纯态上得到测试。在量子理论中，可以设计测量以尽可能可靠地区分几种可能的态，前提是有每种选项的样本。PGM 是此类近最优测量的具体配方。研究者将这一思想转化为数值数据的分类规则：他们首先将训练集中每个量子态表示为矩阵，然后为每个类计算平均“原型”矩阵。基于这些原型及其出现频率，他们在数学上构造出一组类测量算符，当应用于新态时会输出表明其属于各类可能性的分数。与神经网络不同，这一过程不需要迭代训练；一旦类平均已知，决策规则在数学上就是固定的。

生成公平且现实的量子数据集

为了公平地测试他们的方法，作者必须生成真正覆盖可能关联全景的随机混合态，而不引入隐藏偏差。朴素的矩阵抽样方法往往会产生几乎纯态或几乎完全随机的态，从而错过许多有趣的中间地带。相反，团队利用来自量子理论的对称性构造：他们从更大系统中均匀随机选择纯态，然后数学上“部分迹出”未观测的环境，从而为感兴趣的量子比特留下混合态。通过谨慎选择该环境的维度，可以控制生成态的噪声程度以及纠缠出现的频率。他们给出清晰、可操作的规则来标注每个态——使用标准测试来判定一个态是可分的、部分相关的还是确定纠缠的——并为两比特和三比特系统构建平衡的数据集。

这种受量子启发的方法表现如何？

有了这些数据集后，PGM 分类器与一系列知名的经典方法展开了对比，包括决策树、随机森林、支持向量机和神经网络。对于两比特系统，PGM 的平衡准确率超过 90%，接近表现最好的神经网络和基于核的方法。在三比特问题中，关联结构更为丰富和微妙，PGM 保持甚至提升了其相对表现，再次能与领先的经典技术相匹配。当作者将任务细化为区分几种不同风格的可分三比特态时，所有方法的难度都会增加。即便如此，PGM 仍具竞争力：它捕捉到了主要模式，但像其他分类器一样，有时会混淆那些统计特征自然重叠的紧密相关类别。

这对未来量子工具意味着什么

对非专业读者而言，核心信息是存在一种有原则的方法，可以让量子物理的规则指导我们训练机器识别量子资源——而无需接入实际量子计算机。近优测量分类器提供了一份透明且有物理依据的配方，用于根据量子态所含的关联类型对带噪声的量子态进行排序。它的表现可与复杂的黑盒模型相媲美，同时提供了与可测量量纲的更清晰联系以及潜在的硬件实现路径。随着量子器件规模和复杂度的增长，这类受量子启发但在经典上可执行的工具，可能成为在现实、不完美环境中基准测试、诊断并最终利用纠缠的重要工具。

引用: Sergioli, G., Cuccu, C., Rieger, C.S. et al. A quantum-inspired classification for random mixed states. Sci Rep 16, 10668 (2026). https://doi.org/10.1038/s41598-026-44068-5

关键词: 量子纠缠, 量子机器学习, 混合量子态, 量子态分类, 近优测量