内容简介

量子物理之所以让人难以理解，是因为作为宏观智能体的人类从来不能直接地观察到奇妙的量子性质，比如量子纠缠。我们和经典的神经网络一样都只能阅读到通过测量得到经典的数据。而这些经典数据中，超出经典关联的内容预示着量子关联的存在。

在本次讨论的第一部分中，我们将先解密神奇的量子纠缠，通过两个量子比特的简单例子来理解为何百年前物理大师们讨论的“局部的经典隐变量模型”是不足以刻画两个量子比特的所有量子实验现象的。从而让我们意识到从经典实验数据中挖掘背后体系的量子信息是一个重要并且具有挑战性的任务。

第二部分我们将主要讨论如何通过好的实验设计，把量子信息通过实验测量有效地转变为经典数据。这样的”量子—经典接口“对于后续的机器学习任务，或者是预测量子体系性质都是至关重要的。我们主要讲解基于统计机器学习理论而产生的“classical shadow tomography”（经典影层析）技术，以及最新的理论进展，包括如何利用混沌动力学来进行classical shadow tomography，把量子体系转变为经典数据，和利用里德堡原子体系实现这个方针的可能性。

第三部分我们将简单介绍利用机器学习结合classical shadow的经典数据在预测量子多体性质上的优越性。我们可以看到机器学习在多个任务：例如预测新量子体系基态表征上具有理论可保证的优越性。并且这些机器学习任务也带给我们对于量子物态分类新的理解。

主讲人

扈鸿业，加州大学圣地亚哥分校博士候选人，研究方向为量子信息，人工智能和量子多体物理。

个人主页：http://www.hongyehu.com/

参考文献

1.  H.-Y. Huang, R. Keung, J. Preskill. Nature Physics 16, 1050–1057 (2020)

https://www.nature.com/articles/s41567-020-0932-7

2.  H.-Y. Hu, Y.-Z. You. arXiv: 2102.10132 (2021)

https://arxiv.org/abs/2102.10132

3.  H.-Y. Hu, S. Choi, Y.-Z. You. arXiv: 2107.04817 (2021)

http://arxiv.org/abs/2107.04817

4.  H.-Y. Huang, R. Kueng, G. Torlai, V. Albert, J. Preskill. arXiv: 2106.12627 (2021)

https://arxiv.org/abs/2106.12627

直播信息

参与方式：

• 本次分享将在集智学园 B 站免费直播

• 本次预读班对集智-凯风研读营学者开放，同时为了吸引更多做相关领域的科研工作者加入，并且讨论相关话题，本期研读营也采用开放申请制，甄选出真正对量子信息、量子计算研究感兴趣、有相关研究经验的专业人士，保证预读班的研讨质量。筛选成功后将通过邮件通知。预读班申请流程见下文。

预读班开放申请中

本次预读班参与要求：

1. 有大学物理专业的本科2、3年级及以上水平，接触过量子力学

申请流程：

1. 填写报名表单：https://campus.swarma.org/form/quantum_mechanics （填写常用邮箱，能及时获取通知）

2. 加分项：提交个人简历一份，发送到邮箱：wangchaohui@swarma.org。需包括姓名、联系方式、所在高校/研究所/公司，研究方向/研究兴趣，介绍个人关于量子信息相关的知识背景、参与读书会的目的、希望获得等。

扫描二维码，填写报名表单

关于“集智-凯风研读营”

点击“阅读原文”，报名直播