量子物理学家马里奥·克伦(Mario Krenn)记得，2016年初，他坐在维也纳的一个网站café上，仔细研究电脑打印出来的东西，试图弄明白梅尔文的发现。MELVIN是Krenn建立的机器学习算法，一种人工智能。它的工作是混合和匹配标准量子实验的组成部分，并为新问题找到解决方案。它确实发现了很多有趣的东西。但有一个根本说不通。
“我想到的第一件事是，‘我的程序有一个错误，因为解决方案不存在，’”克伦说。MELVIN似乎已经解决了制造高度复杂的纠缠态的问题，这些纠缠态包含了多个光子(纠缠态曾经使爱因斯坦引发了幽灵般的“幽灵作用”)。克伦、维也纳大学的安东·塞林格和他们的同事们并没有明确地向梅尔文提供生成这种复杂状态所需的规则，但他们找到了一种方法。最终，他意识到该算法重新发现了一种20世纪90年代早期设计的实验安排。但那些实验要简单得多。梅尔文破解了一个更复杂的谜题。
“当我们了解了正在发生的事情，我们立即能够归纳出(解决方案)，”现在多伦多大学的克伦说。从那以后，其他团队开始进行MELVIN确定的实验，使他们能够以新的方式测试量子力学的概念基础。与此同时，克伦和多伦多的同事们改进了他们的机器学习算法。他们最新的研究成果是一种名为THESEUS的人工智能，198彩票开户请认准官方唯一直属总代团队1号团队，免费开户即可领取注册彩金，下载客户端可以申请198彩挂机软件，申请198彩票代理权限，只要你有量，我们绝不亏待你，只有198彩才能让你白手起家，0投入却可以198彩票手机优惠短期内迅速致富。，它的速度比MELVIN快一个数量级，而且人类可以很容易地分析它的输出。虽然克伦和他的同事们需要花几天甚至几周的时间来理解梅尔文的漫步，但他们几乎可以立即弄清楚特修斯在说什么。
瑞士苏黎世联邦理工学院(Swiss Federal Institute of Technology Zurich)理论物理研究所(Institute for theoretical Physics)的理论量子物理学家雷纳托·雷纳(Renato Renner)说:“这是一项了不起的工作。”雷纳回顾了2020年一项关于THESEUS的研究，但没有直接参与这些工作。
Krenn无意中发现了这整个研究项目有些偶然,当他和他的同事们试图找出如何实验创建量子态的光子纠缠在一个非常特殊的方式:当两个光子相互作用时,它们变得纠缠,都只能从数学上描述使用单一共享量子态。如果你测量一个光子的状态，即使两个光子相距数公里，测量结果也会立即确定另一个光子的状态(因此爱因斯坦嘲笑纠缠是“可怕的”)。
1989年，三位物理学家——丹尼尔·格林伯格、已故的迈克尔·霍恩和蔡林格——描述了一种后来被称为“GHZ”(以他们的首字母命名)的纠缠态。它涉及到四个光子，198时时彩平台无论是信誉还是游戏体验感都是有口皆碑的，特别是198彩票代理制度，真的是让利给代理还有会员，平台总代团队还免198彩票注册费叫你如何做代理推广。 ，每个光子都可以处于两个状态的量子叠加中，即0和1(一种被称为量子位的量子状态)。在他们的论文中，GHZ态涉及到四个量子位元的纠缠，使得整个系统处于状态0000和1111的二维量子叠加中。如果你测量一个光子，发现它处于状态0，叠加会坍塌，其他的光子也会处于状态0。状态1也是一样。上世纪90年代末，Zeilinger和他的同事们首次用三个量子位元实验观测到了GHZ态。
克伦和他的同事们的目标是更高维度的GHZ态。他们想研究三个光子，每个光子都有三个维度，这意味着它可以处于三种状态的叠加:0、1和2。这种量子态被称为qutrit。研究小组所追求的纠缠态是一个三维GHZ态，它是状态000、111和222的叠加。这些状态是安全量子通信和快速量子计算的重要组成部分。2013年底，研究人员花了数周时间在黑板上设计实验，并进行计算，看看他们的设置是否能产生所需的量子态。但每次他们都失败了。“我想，‘这绝对是疯了。为什么我们不能想出一个方案?’”克伦说。
为了加速这一过程，克伦首先编写了一个计算机程序，进行实验设置并计算输出结果。然后，他升级了程序，使其能够在计算中加入实验人员在光学台上制造和操纵光子所使用的相同构件:激光器、非线性晶体、分束器、移相器、全息图等等。该程序通过随机混合和匹配积木，搜索了一个大空间的配置，执行计算和输出结果。梅尔文诞生了。“几个小时内，这个项目就找到了一个解决方案，这是我们这些科学家——三个实验家和一个理论家——几个月都想不出来的，”克伦说。“那真是疯狂的一天。我无法相信这一切发生了。”
然后他又给了梅尔文更多的教训。只要它发现了一个有用的设置，MELVIN就会把这个设置添加到它的工具箱中。Krenn说:“算法记住了这一点，并试图重复利用它来解决更复杂的问题。”
正是这个更进化的MELVIN让Krenn在维也纳的网站上挠头café。他在一个实验工具箱里安装了两个晶体，每个晶体都能产生一对纠缠在三维空间中的光子。克伦天真的期望是，梅尔文会找到组合这些光子对的构型，以创造最多九个维度的纠缠态。但“它实际上找到了一种解，一种极其罕见的情况，它比其他态的纠缠度高得多，”克伦说。
最终，他发现梅尔文使用的是一种近30年前多个团队开发的技术。1991年，邹新宇、王李军和伦纳德·曼德尔设计了一种方法，他们当时都在罗切斯特大学。1994年，当时还在奥地利因斯布鲁克大学的Zeilinger和他的同事们提出了另一个观点。从概念上讲，这些实验尝试了类似的东西，但是Zeilinger和他的同事设计的结构更容易理解。它始于一个晶体产生双光子(a和B)。这些光子的路径穿过另一个晶体,也可以生成两个光子(C和D)。光子的路径从第一晶体和光子的C从第二重叠完全相同,导致探测器。如果探测器发出咔嗒声，就不可能分辨出光子是来自第一个晶体还是第二个晶体。光子B和光子D也是如此。
移相器是一种有效地将光子的传播路径增加为其波长的一部分的器件。如果你在晶体之间的一个路径中引入一个移相器，并不断改变移相量，你可能会在探测器上引起构造和破坏性干涉。例如，每个晶体可以产生，198彩平台黑钱吗，从没听过198彩黑钱的消息198彩娱乐，一直以来198彩票平台官网打的旗号就是不黑钱，信誉好，技术666，游戏彩种丰富，比如说，每秒1000对光子。如果是相贯干涉，探测器每秒可以记录到4000对光子。而在破坏性干涉下，他们将无法探测到任何光子:作为一个整体，即使单个晶体每秒能产生1000对光子，这个系统也不会产生任何光子。克伦说:“仔细想想，这其实是相当疯狂的。
MELVIN的古怪的解决方案就是这样的重叠路径。令克伦困惑的是，这个算法的工具箱里只有两个晶体。而不是在实验开始时使用这些晶体，而是把它们塞进干涉仪(一种设备，可以把光子分成两部分，然后再重新组合)。经过许多努力，他意识到MELVIN发现的装置相当于一个包含两个以上晶体的装置，每个晶体产生光子对，这样它们到达探测器的路径就会重叠。该构型可用于产生高维纠缠态。
量子物理学家诺拉·蒂施勒(Nora Tischler)是一名博士生，与塞林格在一个不相干的话题上合作，当时梅尔文正在接受测试，她正在关注这些进展。“从一开始就很清楚，如果没有算法发现，(这样的)实验就不可能存在，”她说。
除了产生复杂的纠缠态外，利用两个以上路径重叠的晶体的设置可以实现Zeilinger 1994年双晶体量子干涉实验的广义形式。克伦的同事、多伦多大学(University of Toronto)的实验家阿弗雷姆·斯坦伯格(Aephraim Steinberg)没有参与过这些项目，他对人工智能的发现印象深刻。他说:“据我所知，在过去的几十年里，没有人想到过这种概括，也可能永远不会实现。”“这是这些思考机器可以带给我们的新探索的绝妙第一个例子。”
在一种由四个晶体组成的普遍结构中，每个晶体都产生一对光子，并有通向四个探测器的重叠路径，量子干涉可以产生所有四个探测器都发出咔嗒声(相构干涉)或没有一个探测器发出咔嗒声(相消干涉)的情况。
但直到最近，进行这样的实验仍是一个遥远的梦想。然后，在3月份的一篇预印稿中，中国科学技术大学的冯兰天领导的团队与Krenn合作，报告说他们已经在一个光子芯片上制造了整个装置并进行了实验。研究人员花了16个多小时收集数据:这一壮举之所以成为可能，是因为光子芯片具有令人难以置信的光学稳定性，而这在更大规模的桌面实验中是不可能实现的。Steinberg说，对于初学者来说，这个装置需要一平方米的光学元件精确地排列在光学台上。此外，他说:“在这16个小时内，一个光学元件的抖动或漂移，其直径仅为人类头发直径的千分之一，就足以消除这种效应。”
在他们早期试图简化和概括MELVIN发现的过程中，Krenn和他的同事们意识到解决方案类似于称为图的抽象数学形式，它包含顶点和边，用来描述对象之间的成对关系。在这些量子实验中，光子走过的每一条路径都用一个顶点表示。例如，一个晶体，用一条连接两个顶点的边来表示。MELVIN首先绘制了这样一个图，然后对其进行了数学运算。这个被称为“完美匹配”的操作包括生成一个等价的图，其中每个顶点只连接一条边。这个过程使计算最终量子态变得容易得多，尽管对人类来说仍然很难理解。
这种情况随着MELVIN的继任者THESEUS的出现而改变，该系统通过筛选第一个复杂图来生成更简单的图，这个复杂图代表了一个解，它可以找到最少量的边和顶点(这样的话，任何进一步的删除都会破坏该系统生成所需量子态的能力)。这样的图比MELVIN的完美匹配图更简单，因此更容易理解任何人工智能生成的解决方案。
Renner对THESEUS的人类可解读输出印象特别深刻。他说:“这个解决方案的设计方式是将图中的连接数最小化。”“这自然是一个我们能更好理解的解决方案，而不是一个非常复杂的图表。”
澳大利亚格里菲斯大学(Griffith University)的埃里克•卡瓦尔康蒂(Eric Cavalcanti)对这项研究既印象深刻，也很谨慎。“这些机器学习技术代表了一个有趣的发展。对于一个研究数据并对其进行解释的人类科学家来说，一些解决方案看起来可能是“创造性的”新解决方案。但在现阶段，这些算法还远未达到能够真正提出新想法或提出新概念的水平，”他说。“另一方面，我确实认为总有一天他们会实现目标。所以这些只是婴儿阶段，但我们必须从某个地方开始。”
斯坦伯格表示同意。“就目前而言，它们只是令人惊叹的工具，”他说。“就像所有最好的工具一样，它们已经让我们能够做一些没有它们可能做不到的事情。”
