AI「学不会」竟成相变探针！UCSD华人联手谷歌等，曝光量子纠缠秘密

新智元报道

编辑：KingHZ

【新智元导读】人工智能常被看作解决问题的工具，但在最新发表于arXiv的成相缠秘一项研究中，它的变探「失败」本身却成了科学发现的线索。

来自加州大学圣地亚哥分校（UCSD）的人联华人学者Wanda Hou，与加州大学伯克利分校以及Google QuantumAI合作，手谷在谷歌的曝光Sycamore与Willow超导量子处理器上完成了一次别开生面的实验。

他们发现：当机器学习模型「学不会」时，量纠正好对应量子体系发生了测量诱发的竟D华相变。AI的成相缠秘失效，反而成为了物理的变探探针。

论文链接：https://arxiv.org/abs/2509.08890

为什么要关注测量？

在量子计算中，测量通常被视为「终点」——想得到结果，手谷就测量比特；但这一步也会破坏量子态。曝光

令人惊讶的量纠是，测量并不只是竟D华破坏，它还能在未被测量的比特之间诱发新的远程纠缠。

问题是，这种效应隐藏得太深，传统方法往往需要指数级的实验次数才能把它揪出来。

于是，研究团队提出了一个大胆的问题：能否完全放弃先验知识与繁琐的「后选」，让机器学习直接从数据里自己发现？

如何把AI拉进实验室

团队首先在谷歌的超导量子处理器上制备了一维和二维cluster态。

然后，他们测量掉几乎所有的量子比特，只留下远距离的两个探针比特，并用「经典影子（clssical shadow）」方法去记录探针的状态。

接着，他们把这些实验数据输入一个带注意力机制的生成式神经网络。

与常见的监督学习不同，这个模型没有标签、没有先验，全靠无监督学习来「猜测」探针的后测量态。

Image caption:一维实验：测量掉链中比特，两端探针产生纠缠。

二维实验：随测量角度变化出现相变，临界点角度的纠缠骤现。

神经网络：直接用测量数据学习探针状态，估计纠缠与熵，无需先验模型。

「意外」的发现

在一维34比特的实验中，AI的表现堪称亮眼：即使什么先验都不给，它仅凭数据就学出了与理论模型一致的远程纠缠。可到了二维6X6阵列，情况突然变得耐人寻味：

• 在低纠缠区：体系没有长程量子纠缠，AI很快就学会了测量数据中的简单结构，预测结果与理论一致，纠缠为零。学习曲线迅速收敛，所需计算资源也远小于传统模拟。

• 在高纠缠区：体系充满全局性的量子纠缠，数据看似随机却高度相关，但这种复杂性根本无法被经典算法解码。AI并不是「不够强」，而是遇到了物理层面的「硬障碍」。它虽然也能很快收敛，但学到的只是「瞎猜」，因此无法探测到纠缠。

• 在临界点：情况最耐人寻味。AI的学习曲线突然拉长，说明它在数据中捕捉到了复杂且丰富的结构，需要更多训练才能收敛。最终，它在这里给出的纠缠信号出现峰值，恰好对应体系发生相变的临界点。

换句话说，AI的「学不会」，正好对应量子体系进入临界的时刻。

重要的是，这并不是AI本身的问题，而是全局量子纠缠带来的指数级复杂度，天然超出了经典算法的解码能力。经典AI在这里触碰到了物理世界的「硬边界」，它的失效反而成为我们确认临界性的信号。

从经典AI到量子AI

这一发现也让人重新思考未来：如果经典AI的局限来自无法高效模拟全局量子纠缠，那么当量子计算机本身成为AI的算力基座时，会发生什么？

理论上，量子增强的AI能直接处理纠缠与非局域关联，从而跳过经典算法的「学习失败」瓶颈。

这不仅意味着更强的模式识别与科学建模能力，也可能成为科学家们长期设想的「真正的科学智能体」的雏形。

值得注意的是，Google QuantumAI团队在几乎同一时间发表的另一篇工作。

论文链接：https://arxiv.org/abs/2509.09033

这篇工作就从理论角度证明：当量子计算机用作生成式AI的基座时，模型能力将出现本质性的进化，能实现经典AI无法触及的表达与推理能力。

在这个意义上，今天我们看到的「AI学不会」，并不是失败的终点，而是未来量子AI的起点路标。

当量子与智能真正融合，我们可能迎来一次科研范式的根本飞跃。

意义与展望

这项工作带来的启示至少体现在三个方面：

1. 新型观测范式：通过AI学习与量子—经典交叉关联，研究者能够在无需后选、避免指数级实验成本的条件下，从数据中直接提取物理信号。更重要的是，AI的「学不会」本身也成为了临界性的标志，让学习过程转化为一种新的观测手段。

2. 误差校正潜力：在低纠缠区（可「擦除」的区域），AI能快速学习并准确识别测量数据的结构信号。这类能力非常适合应用于量子误差校正，帮助量子计算机实时定位并修复局部噪声和错误。

3. 未来前景：量子计算与人工智能的结合，有潜力孕育真正面向科学探索的智能体。当AI本身运行在量子计算机上时，它或许能够突破经典算法的限制，直接操控和解码量子纠缠，带来一次智能形态的根本飞跃。

总结

由UCSD与UCB领衔、并与Google QuantumAI深度合作的这项研究，首次在实验中表明：经典学习模型的失败本身可以作为物理临界点的探针。

在一维体系中，研究者仅凭数据驱动就揭示了远程纠缠；在二维体系中，机器学习的「学不会」与测量诱发相变的临界点精确重合。

这不仅突破了传统观测的瓶颈，也预示着一种新的研究范式：AI不只是辅助工具，它本身也能成为探索自然规律的显微镜。而当量子计算赋能AI时，科学家们或许将迎来真正的「量子智能体」时代。

参考资料：

https://arxiv.org/pdf/2509.08890

最新评论