用AI在量子計算機上揭秘：測量誘發(fā)的糾纏與臨界現象

作者 | 論文團隊

編輯 | ScienceAI

與此同時，近幾年 AI 尤其是大語言模型（LLM）的飛速發(fā)展 已經展示出一種范式轉變：復雜模式可以不依賴顯式的先驗規(guī)則，而是通過模型直接從大規(guī)模數據中捕捉結構信號。

既然傳統方法難以處理指數級復雜度，能否借助 AI 的生成式建模能力，從測量數據本身「讀出」隱藏的非局域效應？

最近，加州大學圣迭戈分校（UCSD）、加州大學伯克利分校（UCB）與谷歌量子人工智能實驗室（Google Quantum AI）等合作，在谷歌 Sycamore 與 Willow 超導量子處理器上，展示了如何用無監(jiān)督生成式模型，從「只看得到測量結果」的實驗數據中，直接揭示測量誘發(fā)的遠程糾纏，并觀察到一次清晰的可學習性轉變（learnability transition），與測量誘發(fā)量子相變（MIPT）同位。

論文地址：https://arxiv.org/pdf/2509.08890

該研究通過量子 — 經典交叉關聯給出糾纏 negativity 的下界與測量平均馮諾依曼熵的上界，實現了「無先驗、無后選（postselection-free）」的實驗探測路徑。論文第一作者是加州大學圣迭戈分校物理系華人學者 Wanda Hou。

實驗平臺與總體思路

硬件：谷歌 Willow 105 量子比特超導量子處理器。

圖 1｜實驗與算法示意（1D/2D cluster 態(tài)制備；測量除探針外比特；對探針做隨機基測量獲得影子；無監(jiān)督生成式模型用非探針測量結果預測探針態(tài)）。

關鍵方法

一維結果：34 比特鏈的「端—端」測量誘發(fā)糾纏

在 1D 線性鏈長達 L=34 （qubit 單位）的實驗中，研究者直接給出兩端探針的 negativity 下界 >0，確證測量誘發(fā)的遠程糾纏；同時顯示：無監(jiān)督模型僅憑測量數據學到的下界，與「知曉門序」的基線模型相當 —— 即使沒有制備先驗，也能從數據中「讀出」非局域效應。

圖 2｜一維 qubit 鏈的實驗結果。紅色：基于神經網絡的 negativity 下界；藍色：理論基線；黃色：張量網絡方法的 negativity 下界。三者吻合，說明 AI 僅憑測量數據即可重現端點探針的遠程糾纏。

二維結果：AI 的「學習失敗」與相變臨界同位

在 6 x 6 二維陣列中，通過調節(jié)測量基底（以角度 θ 參數化）掃描，體系出現「測量誘發(fā)相變（MIPT）」的有限尺度對應物。AI 在不同區(qū)間呈現三段式行為：

1. 低糾纏區(qū)（局域結構，長程糾纏缺席）：

AI 很快學會測量數據的簡單結構，預測與理論一致，探針糾纏為零；學習曲線迅速收斂，所需計算資源遠小于經典模擬。

2. 高糾纏區(qū)（全局強糾纏，復雜度爆炸）：

數據看似隨機卻高度相關，但這種全局糾纏的指數級復雜度本質上超出任何經典算法可解碼的范疇。AI 不是「太弱」，而是遭遇物理層面的「硬邊界」；它雖也會快收斂，但收斂到「無結構」的猜測，因而無法探測到糾纏。

3. 臨界點（最有趣的區(qū)域）：

AI 學習曲線突然拉長，表明模型在數據中捕捉到更豐富、非平庸的結構，需要更多 epoch 才能收斂；與此同時，糾纏信號出現峰值。二者同位，即：「學習轉變」≈「物理相變」。

圖 3｜二維 6 x 6 陣列的可學習性與熵上界。

圖 4｜二維 6 x 6 陣列的混態(tài)糾纏下界。

方法學與工程意義

新型觀測范式：通過 AI 學習 + 量子 — 經典交叉關聯，在無后選前提下，把「學習過程本身」變成可驗證的物理探針；避開指數級實驗成本，提升規(guī)?？蓴U展性。

誤差校正潛力（低糾纏 / 可「擦除」區(qū)域）：在低糾纏區(qū)，AI 能快速、穩(wěn)健地識別結構性噪聲與模式，適合用于「量子誤差校正（QEC）」中的錯誤定位與在線診斷。

從經典 AI 到量子 AI 的路徑：如果經典 AI 的瓶頸源于無法高效模擬全局量子糾纏，那么當量子計算機成為 AI 的算力基座（quantum-enhanced AI），便有望直接處理糾纏與非局域關聯，跨越「學習失敗」的瓶頸。這一愿景與同期相關理論工作（Google 團隊的生成式量子 AI 研究）方向一致，指向量子原生智能體的長期圖景。

局限與展望

噪聲與校準：盡管方法對先驗不敏感，硬件噪聲、測量誤差與校準仍直接影響學習質量與邊界估計精度。

數據規(guī)模與訓練開銷：在更大比特數、更接近臨界的區(qū)域，訓練所需數據與 epoch 可能增長，需要更高效的模型 / 采樣策略。

走向應用：將「學習 - 驅動的探針」整合進實際量子糾錯（QEC） / 量子控制回路，并與不同平臺（冷原子 / 離子阱 / 量子點等）對比驗證，是自然的下一步。

小結

這項 UCSD×UCB 與 Google Quantum AI 的聯合實驗表明：經典學習的「學不會」并非尷尬的失敗，而是量子臨界性的「路標」。在一維體系中，純數據驅動即可確證端 — 端遠程糾纏；在二維體系中，AI 的可學習性轉變與測量誘發(fā)相變同位。方法上，交叉關聯在嚴格的信息論框架內給出了糾纏下界與熵上界，為「無先驗、無后選」的大規(guī)模量子實驗診斷提供了可落地的新路徑。