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(jīng)展示出一種范式轉(zhuǎn)變：復(fù)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(shù)據(jù)中捕捉結(jié)構(gòu)信號。

既然傳統(tǒng)方法難以處理指數(shù)級復(fù)雜度，能否借助 AI 的生成式建模能力，從測量數(shù)據(jù)本身「讀出」隱藏的非局域效應(yīng)？

最近，加州大學(xué)圣迭戈分校（UCSD）、加州大學(xué)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(dǎo)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(jié)果」的實驗數(shù)據(jù)中，直接揭示測量誘發(fā)的遠(yuǎn)程糾纏，并觀察到一次清晰的可學(xué)習(xí)性轉(zhuǎn)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(jīng)典交叉關(guān)聯(lián)給出糾纏 negativity 的下界與測量平均馮諾依曼熵的上界，實現(xiàn)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(xué)圣迭戈分校物理系華人學(xué)者 Wanda Hou。

實驗平臺與總體思路

硬件：谷歌 Willow 105 量子比特超導(dǎo)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(jié)果預(yù)測探針態(tài)）。

關(guān)鍵方法

一維結(jié)果：34 比特鏈的「端—端」測量誘發(fā)糾纏

在 1D 線性鏈長達(dá) 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(yuǎn)程糾纏；同時顯示：無監(jiān)督模型僅憑測量數(shù)據(jù)學(xué)到的下界，與「知曉門序」的基線模型相當(dāng) —— 即使沒有制備先驗，也能從數(shù)據(jù)中「讀出」非局域效應(yīng)。

圖 2｜一維 qubit 鏈的實驗結(jié)果。紅色：基于神經(jīng)網(wǎng)絡(luò)的 negativity 下界；藍(lán)色：理論基線；黃色：張量網(wǎng)絡(luò)方法的 negativity 下界。三者吻合，說明 AI 僅憑測量數(shù)據(jù)即可重現(xiàn)端點探針的遠(yuǎn)程糾纏。

二維結(jié)果：AI 的「學(xué)習(xí)失敗」與相變臨界同位

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

1. 低糾纏區(qū)（局域結(jié)構(gòu)，長程糾纏缺席）：

AI 很快學(xué)會測量數(shù)據(jù)的簡單結(jié)構(gòu)，預(yù)測與理論一致，探針糾纏為零；學(xué)習(xí)曲線迅速收斂，所需計算資源遠(yuǎn)小于經(jīng)典模擬。

2. 高糾纏區(qū)（全局強糾纏，復(fù)雜度爆炸）：

數(shù)據(jù)看似隨機卻高度相關(guān)，但這種全局糾纏的指數(shù)級復(fù)雜度本質(zhì)上超出任何經(jīng)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(jié)構(gòu)」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(xué)習(xí)曲線突然拉長，表明模型在數(shù)據(jù)中捕捉到更豐富、非平庸的結(jié)構(gòu)，需要更多 epoch 才能收斂；與此同時，糾纏信號出現(xiàn)峰值。二者同位，即：「學(xué)習(xí)轉(zhuǎn)變」≈「物理相變」。

圖 3｜二維 6 x 6 陣列的可學(xué)習(xí)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(xué)與工程意義

新型觀測范式：通過 AI 學(xué)習(xí) + 量子 — 經(jīng)典交叉關(guān)聯(lián)，在無后選前提下，把「學(xué)習(xí)過程本身」變成可驗證的物理探針；避開指數(shù)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(jié)構(gòu)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(jīng)典 AI 到量子 AI 的路徑：如果經(jīng)典 AI 的瓶頸源于無法高效模擬全局量子糾纏，那么當(dāng)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(guān)聯(lián)，跨越「學(xué)習(xí)失敗」的瓶頸。這一愿景與同期相關(guān)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(zhǔn)：盡管方法對先驗不敏感，硬件噪聲、測量誤差與校準(zhǔn)仍直接影響學(xué)習(xí)質(zhì)量與邊界估計精度。

數(shù)據(jù)規(guī)模與訓(xùn)練開銷：在更大比特數(shù)、更接近臨界的區(qū)域，訓(xùn)練所需數(shù)據(jù)與 epoch 可能增長，需要更高效的模型 / 采樣策略。

走向應(yīng)用：將「學(xué)習(xí) - 驅(qū)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(jié)

這項 UCSD×UCB 與 Google Quantum AI 的聯(lián)合實驗表明：經(jīng)典學(xué)習(xí)的「學(xué)不會」并非尷尬的失敗，而是量子臨界性的「路標(biāo)」。在一維體系中，純數(shù)據(jù)驅(qū)動即可確證端 — 端遠(yuǎn)程糾纏；在二維體系中，AI 的可學(xué)習(xí)性轉(zhuǎn)變與測量誘發(fā)相變同位。方法上，交叉關(guān)聯(lián)在嚴(yán)格的信息論框架內(nèi)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。