量子科技中心_量科网

可解释性机器学习正迅速成为科学发现的关键工具。在现有方法中，变分自编码器（VAE）已展现出不依赖监督信号或先验系统知识即可从输入数据中提取隐藏物理特征的潜力。然而，VAE能否生成有意义、可解释的表征，取决于其能否准确逼近输入数据的潜在概率分布。面对量子数据时，VAE必须处理其固有的随机性与复杂关联性。尽管前人已将VAE应用于量子数据，但往往忽略了量子数据的概率特性，导致无法提取有效的物理描述符。该研究团队通过两项关键改进使VAE能够学习具有物理意义的潜在表征：一是能精确重构量子态的解码器，二是针对该任务设计的概率损失函数。基于量子自旋模型的基准测试表明，传统方法失效的工况下，该团队提出的方法仍能保持表征的可解释性。应用于里德伯原子阵列的实验数据时，该模型在无先验标签、哈密顿量信息或序参量知识的情况下，自主揭示了相结构特征，凸显其作为量子系统研究工具的无监督性与可解释性优势。