两年前，芝加哥大学的物理学家们发现了一种量子行为的新形式，受到了人们的热烈欢迎。但从噪音中很难分辨出明亮喷流背后的模式。
相反，科学家们采用了该领域的一种新方法:机器学习。通过通过模式识别算法运行数据，他们发现原子的路径形成了一个独特的形状，看起来有点像海龟——这有助于梳理出其背后的物理学原理。研究结果发表在2月1日的《科学》杂志上，增进了我们对量子动力学的理解，并为研究量子现象提供了一种创新的方法。
“在理解复杂的量子动力学,我们开始我们的直觉是有限的,但机器学习可以了解这样的系统是一个新的工具,”主要作者Cheng说下巴,芝加哥大学的物理学教授和使用超冷的先锋实验研究量子现象背后最小的粒子和宇宙的行为。
在最初的研究中，Chin的实验室将粒子冷却到接近绝对零度，直到它们都凝聚成相同的量子态，称为玻色-爱因斯坦凝聚态。接下来，他们施加一个磁场，惊奇地发现原子以明亮的喷流喷射出来。
但在嘈杂声中很难分辨出确切的模式。这项新研究的第一作者、研究生雷锋开发了一种机器学习算法，通过搜索结果来寻找人眼并不总是能看到的模式和关联。
“这就像在火车站观察人流一样，”程说。“一开始看起来很随意，但如果你仔细观察，你会发现家人会一起旅行，商人会参加会议等等。”
该算法找出了一种形状类似乌龟的相关性:围绕中心光源形成“壳”的圆环;围绕中心光源的四个次级点看起来像脚;和两个延伸点作为“头”和“尾”。冯说:“如果你看到一个粒子朝一个方向运动，总会有另一个45度角的粒子。”本质上，这是一系列的连锁反应:第一个粒子在靠近源的地方相互作用，相互反弹;当这些粒子相互作用时，下一个环就形成了，以此类推。这一现象背后的物理学原理被称为高谐波产生。
研究生雷锋开发的一种算法揭示了量子粒子中一个有趣的模式。(感谢雷锋)
程补充说:“从本质上讲，每幅图像都包含许多这样的海龟图案。”“一路下来都是海龟。”
“我们用传统的相关方法确认了模式识别，”冯说。“这是通过观察每一对原子之间的关系来实现的，这比我们发现的模式要复杂得多。”
科学家们认为，机器学习在揭示量子动力学研究中的新现象方面可能非常有用。
Chin说:“识别一个模式总是科学的第一步，所以这种机器学习可以识别隐藏的关系和特征，特别是当我们试图理解含有大量粒子的系统时。”
他说，对这些行为有更深入的了解有一天可能会应用到技术中，比如如何将量子网络的覆盖范围扩大到更大的距离。
芝加哥大学(University of Chicago)在量子信息科学和工程领域的研究处于世界领先地位，其研究范围从理解基本量子行为扩展到基于这些发现构建和测试技术;最近的努力包括量子“传送器”，向更强大的量子传感器迈进的步骤，以及为新兴量子计算机开发算法的合作。
引文:“模式识别揭示了物质波射流高谐波产生的相关性。冯等人，《科学》，2019年2月1日。DOI: 10.1126 / science.aat5008
资助:国家科学基金，陆军研究办公室