由Yin Zhangqi发布

A researcher who is doing research on quantum information and quantum computation.

量子纠缠历史自发退化为经典历史


论文已经更新了:[1610.04296] Greenberger-Horne-Zeilinger test for multi-dimension and arbitrary time nodes entangled histories

去年10月我与董焌锴、陈一鸣、徐达等合作写完了任意个时间点的量子纠缠历史之后,投稿却被编辑以不符合期刊的范围为由直接拒稿。我们只能从新审视论文,期待能够找到新的亮点说服编辑。几经周折,我们决定,把这个工作更进一步,不仅研究量子比特,而且要推广到任意维度的物理系统的量子纠缠历史。之所以希望往更高维度上扩展,我们是希望能够看看量子与经典的边界,随着系统的维度如何变化。尤其是当系统的维度趋近于无穷大的时候,经典与量子是否如同直觉那样,无法区分了。直到最近,我们终于证明了,量子纠缠历史确实能够自发的退化为经典历史。

在进一步的工作中,我们不仅把纠缠历史的系统维度推广到无穷维,同时也证明了此时量子与经典的边界也是存在的。很有趣的是,如果我们固定时间点的数目m,把系统维度推广到无穷维,那么量子纠缠历史与经典的历史之间仍旧有很大的不同:经典与量子的边界为 -\cos(\pi/n)^n。这里的n是测量时用到的观测量数目,通常n等于时间点数目m加上1。我们学量子力学的时候,提到量子与经典的对应,时常举的一个例子是说,考虑一个大自旋,其内部自由度趋近于无穷的时候,系统就会趋近于经典系统。而对量子纠缠历史来说,仅仅把物理系统的内部自由度扩展到无穷大,不足以让系统退化为经典。只有当纠缠历史的时间点数目也趋近于无穷大的时候,量子与经典的边界才会趋近于-1。或者说,量子纠缠历史与经典的历史将会不可区分。也就是说,纠缠历史中时间点的选取趋近于连续化,且所研究的系统也是一个无穷自由度的系统时,量子纠缠历史将会与经典的历史无法区分,量子系统自发的退化为经典系统。很有趣的一点在于,我们这里并没有考虑任何退相干或者耗散,量子到经典的转变是自发的。

还未解决的问题是,如果系统的维度不是无穷大,而是有限维的,如何计算量子纠缠历史与经典历史的边界?从直觉上来说,此时对应的GHZ态泛函G应该比无穷维的公式大,比量子比特的公式小。但是具体的形式,我们没有找到,只能留待未来解决了。

带学生做科研的体会


我工作的清华大学,聚集了中国最聪明的一批学生。从2013年开始,我已经带了不少本科生做科研训练,毕业的本科生也有五六人了,他们大都跟我合作撰写并发表过论文。目前在我组里面参与科研的本科生,还有三、四位。总体而言,我对学生们在科研上的表现非常满意。希望学生们对我的指导也能觉得有收获。实际上,首次收到学生的主动联系,要找我做科研时,是很忐忑的。对科研,我自己都还在摸索之中,能带好学生吗?还好,教学相长,我与学生一起进步,下面是一些经验体会。

跟我做科研的学生,大都是主动联系我,有很强的科研积极性。经过这天然的筛选之后,我不用担心学生的天分与投入问题,只需要根据每位学生自身的特质和基础来设计寻找合适的研究题目即可。学生加入科研的年级各有不同,我带过的学生有大三开始科研,也有大二、大一开始,甚至还有高中生。这就意味着,要带着他们做科研,选择合适的题目着手,就是最重要的事情。所以每当学生找我,希望做科研,我都会跟他们仔细的聊聊,了解他们的背景和兴趣点所在,然后有针对性的建议他们开始学习相关的专业课和阅读专业文献。在学习和做研究中遇到问题,要及时的讨论解决。

为什么本科学习就要进行科研训练呢,会不会是揠苗助长?当然不是。本科的学习已经逐步触及人类知识的边界了。很多专业课程,某些内容稍微往前走一点,就是科研的前沿课题。要想学好知识,必须要真正会运用它来解决问题。会做考试题,与会运用所学的知识来扩展人类知识的边界,对学生的训练和提升不可同日而语。我同事给本科生开的课程,都与自身的研究相关。他们想尽办法把课程与最前沿的科研对接起来,促使学生们不仅要学好课程知识,还要学会如何应用知识,去解决学术前沿中的问题。比方说课程会设置若干个大作业,等于是一个个小论文。大作业的题目,很多是老师从前沿科研问题中搜集来的。优秀大作业论文,稍加修改,就可以作为论文投稿学术会议。

受到这些经验的启发,虽然面对的只是本科生甚至高中生,但是我找的研究题目,都是最前沿的。我相信只有通过这些问题,才能真的发挥出他们的潜力,才能起到培养学生的目的。而我自己,也可以通过这个过程,来开拓研究方向。比如说,量子纠缠历史这个研究题目,就是我让一位大三的本科生做的。进一步深化和完善量子纠缠历史的研究,正好又遇到有个高中生科学夏令营,我让两位高中生尝试做这个题目,也取得了很好成绩。

选择题目的时候,还得注意随时调整。课题的前沿性与学生本身的能力、背景知识要匹配。如果发现不合适,要能随时的找到相近的题目作为后备。最好能在合理的时间内完成项目,让学生得到正面的激励,本科生与博士生不同,他们的本职工作是学习课程,做科研训练是额外的。所以,不能找那些明显看不到头的探索性题目给本科生,否则很可能还没有任何进展时,就耗尽了他们对科研的兴趣。其实积累与产出很多时候是一对矛盾。好的题目需要长时间的学习积累才能有产出,但是本科生的时间有限,所以不能做。而不需要太多积累的题目,却常常很难有好的产出。

我带过的学生不止来自清华,还有外交学院的文科生,有西安交大的,有北京邮电学院的,有本科生,有博士研究生,甚至还有高中生。他们背景,基础等差别很大,但只要投入足够的精力,选择合适的题目,他们大都能在科研课题上取得很好的进展。在这个过程中,他们自身的能力也会取得极大的提升。我的体会是,要相信学生的创造力,相信他们的能力。作为老师,最大的责任就是激励学生超越自己,实现知识的传承与发扬。要有发自内心的鼓励,才激发学生无穷的动力和创造力。

超低阈值的声子激光


我们知道,自从有了激光,人类在精密测量空间与时间上面就步入了新的时代。激光在真空或者透明介质的精密测量中,有广泛的应用。而对不透明的固体系统,如果我们要对其内部结构进行无损的精密测量,使用超声波是一种很好的方式。所以,如果我们能够做出声子激光来,未来就有可能用于固体内部缺陷或者微结构的精密测量。

近些年来,随着光力学的发展,声子激光也在光力学实验平台上获得了展示。我们知道光力学研究的立足点一直都是精密测量,所以声学激光被看成是光力学系统的一个很有潜力的应用。之前的工作使用了两块芯片上的微盘腔,相互靠近后耦合起来,构建一个可调节的耦合光力学系统。但是此时系统的光学与力学特性收到加工工艺的限制,并未达到最优,所做出的声子激光需要比较高的泵浦光功率阈值。

最近,南京大学工学院的姜校顺副教授与肖敏教授领导的研究组在实验上实现了低阈值的声子激光,此系统同时具有很高的光学和力学品质因子。力学模式的频率为59.2 MHz,品质因子18000,泵浦光阈值为1.2微瓦。我作为理论合作者也参与了这个工作。这个工作发表后,被杂志选为封面论文,且被媒体报道

我与姜校顺教授认识很多年了,早在他刚刚开始搭建自己的实验室的时候,我们就商量着以后要做声子激光的实验。姜校顺是对自己要求非常高的研究者,经过这些年不断的优化实验系统,他的实验室已经能够做出综合品质世界一流的固态光学微腔。基于这个系统,最近几年他在微纳光子学上面完成了一系列一流的研究工作,其中包括两篇Nature子刊。正是在这一系列实验技术突破的基础上,他们才能完成这个漂亮的实验。

我相信,这个只是一系列研究工作的开始,未来基于此系统有望完成许多更有趣的研究。比如说,目前的声学激光都是用激光进行泵浦的,而未来我们希望能够设计并作出一个直接利用热能泵浦的声学激光,更进一步的提升此系统的实用性。这个系统也可以用来实现对力学振子的高效冷却,甚至用来实现“加热导致冷却”的新奇现象。

为什么绝热量子计算与D-Wave量子计算机吸引人


最近量子计算机引起了人们很大的关注,在发表在Science Bulletin上的评述论文中,我与魏朝辉博士对绝热量子计算和D-Wave计算机进行了简要的概述。

在研究量子计算的时候,经典计算的研究经验给人们带来很大的启发。比如可以参考经典计算机所用的电路和逻辑门,用量子电路模型来研究量子计算机,此时逻辑门被量子逻辑门所代替。经典计算包含很多等价的模型,比如图灵机与电路模型的计算能力就是等价的。在量子计算中,绝热量子计算就是与量子电路等价的模型。考虑一个物理系统,其哈密顿量是可以调控的。初始哈密顿量的基态是所有量子比特都为零的直积态。绝热地改变此哈密顿量,只要哈密顿量的基态与激发态之间具有有限的能隙,量子绝热定理就可以保证系统的末态也是最终哈密顿量的基态。通过调整最终的哈密顿量,可让最终基态输出量子计算的结果。

由于系统始终处于基态,只要保证环境温度所对应的能量小于绝热量子计算时最小的能隙,绝热量子计算就对控制误差及环境的热噪声都不敏感。正是利用了这一特性,D-Wave公司在2011年推出了第一台基于量子绝热量子计算的D-Wave One,这台计算机包含有128个相互耦合的超导量子比特,可以运行量子退火算法。利用量子隧穿效应,量子退火算法将比经典的模拟退火算法更加高效。但这台计算机没有包含量子纠错模块,且无法保证其计算时的能隙小于环境温度对应的能量,人们对其是否算是量子计算机产生了广泛的争议。

最近几年, D-Wave公司不断升级其计算机,使得量子比特的数目增加到2048个,谷歌公司等机构对D-Wave计算机进行了广泛的测试,发现对某些问题量子退火算法比模拟退火算法快一亿倍。越来越多的人倾向于相信D-Wave计算机是一台具有量子加速效应的专用量子计算机。最近人们把D-Wave计算机用到了更加实际的问题中,比如说北京出租车路径的优化问题,以及图像识别问题等,均取得不错的效果。我们认为,从长远来看,要进一步发展绝热量子计算机,必须把引入容错的技术,确保计算结果不受噪声的干扰。

从光力学到量子声学


光力学的实验研究大概是十年前兴起的。很快的,实验学家们就利用光把宏观力学振子冷却到了量子基态附近,并制备出了振子的非经典态。我进入这个领域是2008年。当我做完几个理论工作,开始与李统藏博士合作时,我们就意识到,光力学实验的进步,必将导致量子声学的兴起。我们知道,量子光学的发展,让我们对光的操控和探测能力达到了前所未有的地步,利用光作为探测器,也可以对时间、距离、频率等进行超高精度的检测。但是对于不透明的固态物质来说,光就很难发挥作用了。我们相信,对于固态物质内部的精密测量,随着量子声学技术的发展,也会有一个质的飞跃。

参照量子光学的发展,可以预计量子声学的兴起,有赖于如下几个核心的声学器件:高质量的单声子源,高效率和保真度(最好是非破坏性)的单声子探测器,声子与二能级系统的强耦合(声学的QED)等等。虽然我们认识到了这个方向极具潜力,但是当时却找不到合适的物理系统和办法来设计量子声学的核心器件。所以这个思路就一直在脑海中萦绕,却一直没有落地。

过去的几年,围绕着微纳米力学阵子系统,我们做了一系列的工作,研究了金刚石色心与力学振子之间通过磁场诱导出的强耦合,及其在宏观量子力学、量子信息等方面的应用。如果站在量子声学的角度看,这些研究某种程度上,算是声学的QED。只不过还没有达到声波这个层次。与此同时,也有人研究用声波作为量子数据总线来耦合不同的固态量子比特,比如说量子点,超导量子比特和金刚石色心等。与光波相比,声波的速度小五个量级,所以声波长也要小几个量级。对于GHZ频段的微波来说,其波长在厘米到米的量级,所以无法对微波波段的超导量子比特进行单独的操控。但如果换用声波来操控,其波长在微米量级,就可以实现单个比特的各自独立的操控。

通过这一系列的研究,我们进一步认识到,量子声学在量子信息处理中有广泛的应用潜力,值得花力气研究。而金刚石色心则是一个非常好的系统,它与声子的耦合,可以有多种办法进行调制。作为试水,与量子光学中的电磁诱导透明类似,我们在量子声学中做的第一个工作是,研究如何利用金刚石色心系综诱导出金刚石介质对声波的透明现象。利用此效应,我们可以方便的调控声音在金刚石中的传输速度。这个工作去年底才发表,很快就得到了国外同行的关注和引用

基于金刚石色心与金刚石的表面声波耦合,我们正在系统地分析如何实现一个高效率且非破坏性的声子探测器。这个声子探测器,有望实现对声子粒子数态的非破坏测量。我们还在研究如何用金刚石色心系综与表面声波模耦合的系统来诱导出较高的声学非线性,从而用来实现一个高品质的单声子源。这个非线性的声子系统,我们也可以用它来模拟多体强关联物理。这两个工作已经完成,正在撰写论文。我们希望通过这一系列的理论工作,让更多人对量子声学,特别是与量子信息处理有关系的量子声学产生兴趣,真正的推动量子声学实验、理论与应用的发展。

量子物理推动机器学习


作者:Maria Schuld,南非夸祖鲁-纳塔尔大学博士生,研究机器学习与量子信息

翻译:郜勋,尹璋琦,清华大学交叉信息研究院

翻译自:A quantum boost for machine learning

删减版在《物理》杂志上在线出版:量子物理推动机器学习

PWMar17Schuld-frontis_HERO

图:人机大战

Maria Schuld 讲述了研究人员正如何通过与量子计算结合增强机器学习(一种使计算机可以学习和预测的方法)。

蓝色房间中人们都全神关注。在正中间的桌子旁坐着两位棋手,注视着黑白大理石棋子,无声地下棋。 最终,右边的棋手投子认输,他是围棋九段大师李世乭。坐在左边的是软件的开发者黄世杰,他从AlphaGo(由谷歌的DeepMind团队开发的程序)那里得到指示来下棋。在2016年3月的这一天,AlphaGo在五番棋中赢了四盘,打败了世界上最好的围棋选手之一。

AlphaGo的成功已经被广泛认为是人工智能研究的一个里程碑。围棋比国际象棋(计算机在1997年首次赢了国际象棋世界冠军)复杂很多。在围棋中,通过蛮力搜索所有可能的策略从而找出最好的走法是行不通的;落子位置的可能组合数比宇宙中的原子还要多,而AlphaGo所使用的2200个处理器的计算能力与今天的超级计算机相比还算是轻量级的。其实,AlphaGo成功的秘密在于和一个特殊的陪练进行严格地练习,而这个陪练就是软件自己。为了成为一个称职的陪练,AlphaGo的“深度神经网络”(受人脑结构启发而来的计算机算法)最开始通过参考包含大约三千万个专业走法的数据库来掌握这个游戏。

机器学习可以被认为是人工智能侧重于数据的一面,其中要处理大量的信息或者说“大数据”。类似于人类的学习方式,机器学习涉及到把问题的海量实例输入到计算机,它利用数据的模式来解决以前从未出现过的情况。 例如,喂给一个计算机许多同一个人的图片,再给它另一个新的图片问是否是同一个人。难点在于我们不知道如何将视神经的视觉刺激和在图片中认出一个人这件事联系起来。换句话说,在像素级别的描述(比如说在位置(1334,192)这个点是红色)和“照片中有我们的朋友Sivu”之间没有一个简单的关联,知道这样的关联可以指导我们如何编程。机器学习方法因此必须给出一个一般的方法来找出数据中复杂的模式,正如Facebook的自动标记功能所展示的,机器学习的这一能力在不断的提高。

物理学,或者更精确地说,量子物理学能在其中发挥什么作用呢?运行AlphaGo的计算机是基于经典物理的。处理信息的方式是通过操控0和1信号的微电子线路,而这些线路遵从经典电动力学。物理学家已经开始从头思考计算的概念有二十年了:如果我们造一个基于量子理论的计算机会怎么样?这样一个设备会从根本上改变可以计算的极限么?虽然看起来我们对这个问题已经有很多理解了,事实证明,这并不容易回答。尽管我们还没有能力去建造一个足够大的以至于能解决现实问题的量子计算机,已经有若干个强力的数学语言被发展出来用以刻画和研究“量子算法”(量子计算机的软件)了。这样的研究工作现在不只局限在纯粹的学术界,在一些大的IT公司比如谷歌和IBM也开始在这方面竞赛。随着我们越来越确信量子计算机实现的可行性,寻找量子计算机“杀手锏应用”的紧迫性也在不断增长。于是,机器学习就登场了。

既然我们知道量子计算机以后会使用的工作语言,我们已经可以开始思考量子计算将对机器学习产生什么影响了。这样一种途径被称为由量子增强的机器学习,这是量子机器学习(这一领域还考虑相反的研究途径:用经典机器学习方法来研究量子实验中产生的数据)这一更大领域的一部分。为了了解由量子增强的机器学习,我们首先要理解机器学习是怎么工作的以及其优势背后的“黑箱”。

机器学习

一个很快捷的去领悟机器学习概念的方法是通过考虑数据拟合,大部分科学家在本科阶段都接触过它,而且这是众多发现数据中模式和趋势的方法之一。想象你做了一个实验生成了数据点(x,y),其中x是可控参数,y是测量结果。作为物理学家,你可能想得到一个可以解释这些测量结果的模型。换句话说,你想通过产生的数据,在一定误差下,找到关系y=f(x)。这可以通过把数据喂给计算机,然后利用数值软件找出依赖于参数的函数f(x)中拟合得最好的一个来做到(图1)。用数学的术语来说,这是一个优化问题。

对机器学习来说,解决优化问题已经做了一半的工作。在做实验前,人们可以通过最好的模型或者说拟合函数来预测新的控制参数下的测量结果。当然,对大部分的机器学习应用,人们对物理实验的兴趣小于对传统上认为需要人类经验的任务。例如,x可以表示一组宏观经济学变量而y代表了下周油价的涨幅。如果我们从数据中推出了模型y=f(x),我们就可以用它去预测明天的油价。又或者,输入可以是照片的像素集而输出是关于你的朋友Sivu是否在照片中的回答,在这种情况下,机器学习被用来做图像识别。这些应用中的一个共同点是它们让我们可以回答关于复杂关系的问题,且答案又很值钱。

PWMar17Schuld-fig1_1200

图1:让模型尽量简单。在给定相同数据集(黑色)的情况下,曲线拟合软件给出了两个不同的模型(蓝色和红色)。尽管模型1完美地拟合了数据,但是弯曲度更小的模型2有更好的泛化能力,于是对新数据有更好的预测。(图中的单词:数据、模型1、模型2、新数据、模型1的预测、模型2的预测)

至此,这些听起来都很直接。你所要做的就是解决一个优化问题从而找到最好的预测模型。但是机器学习通常处理的那类优化问题非常困难,以至于一些富于挑战精神的数学家也会避开它们。比如说,想一想一个优化问题的地形像喜马拉雅山那么大,而你要靠双脚并在没有地图的情况下找到最深的山谷(图2)。而且,真正的“黑箱”在于表述优化问题的微妙性。比如说,在图1数据拟合的例子中,如果我们定义最好的模型为,对所有数据点y来说,离它们最近的f(x),更弯曲的函数(蓝色)更好,因为这个模型函数穿过了所有的数据点。但当我们引入一个新的数据点,很清楚地看到,更粗糙的拟合(红色)给出了更好的预测。对于我们的登山者来说,弯曲程度更高的模型所对应的优化问题的地形不是太有用,因为即使我们找到了最深的山谷,这并不意味着一个好的模型。一个有用的优化地形对应于最优的模型使得可以从已有数据背后的模式中泛化出还没有出现的数据,即使这并不意味着在已有数据上拟合的比较完美。给出一个有效的优化问题需要大量的直觉和实践经验,这是利用机器学习能力的关键。

PWMar17Schuld-fig2_1200

图2:最优路径。一个数学上的优化问题就像一个登山者徒步在大山中寻找最深的山谷。机器学习通常需要求解复杂的优化问题,其中登山者不得不穿过非常多的山谷来找最深的那一个。

量子推动

用量子计算增强机器学习最常用的方法是把困难的优化问题交给量子计算机,可以是今天实验室中的小型设备,也可以是未来我们想实现的成熟版本的量子计算机。整个算法“工具箱”已经被量子信息界发展起来了。仍在持续的挑战是去组合、调整和扩展这些工具以至于对传统计算机实现压倒性优势。在方框中,更详细地解释了三个用量子计算机解优化问题的方法。虽然我们现在知道即使利用了量子效应,最困难的计算问题常常还是困难的,但是适当的加速对于今天的大数据应用来说还是至关重要的。

在把子任务交给量子计算时,有一点要特别注意。为了让这些方法能工作,需要把描述优化问题地形的数据编码到量子系统中。如图3所示,一个方法是把黑白图像表示成有指向上下自旋的格点。用量子叠加(量子系统可以同时处在两个或多个状态)允许我们将很多图片存在一个量子系统中。其他的编码策略更复杂,但全部都需要我们制备量子系统的初态来表示数据集的数值。制备一个物理系统,用于编码来自图像数据集的数以亿计的像素,并达到比较高的精度,这对一个实验物理学家来说简直就是噩梦。对于机器学习量子算法来说,编码数据是一个至关重要的瓶颈和挑战,而这没有经典计算的直接对应物。

PWMar17Schuld-fig3_1200

图3:把数据编码到量子计算机中。第一步就是把一个问题从传统计算机翻译到量子计算机,将数据编码到量子系统。在此展示的一个方法是把二进制比特表示为格点上的自旋指向上(白格子)和下(黑格子)。

向量子AlphaGo迈进

毫无疑问,在下一代的AlphaGo以及它的同伴能在量子硬件上运行之前,还有很长的路要走。首先,我们需要稳定的大尺度量子计算机去运行发展出来的软件。我们需要在经典数据和量子系统之间设计一个界面,使得把问题编码到设备中。我们还需要更好的量子工具来做优化,尤其是在地形复杂的情况下。

最重要的是,我们需要去学习已经经过数十年实践检验的机器学习中的“黑箱”。从现在开始,我们需要将问题表述为适合量子计算的形式而不是仅仅将经典计算中的优化问题交给量子计算机而已。一个早期的量子计算机正等着在实验室里处理一些实用问题。问题是,这些设备可以解决什么类型的优化问题,并且对于这个问题的回答是否可以用来定义新的机器学习方法?是否存在一些特定的物理学研究中的问题适合由量子增强的机器学习来处理?我们是否能用真正的“量子模型”来处理这些任务?并且我们在量子计算中的思考方式能否相对传统的机器学习研究思路有所创新?

总结一下,量子增强的机器学习这一新兴学科必须重新放在量子计算的研究框架中,并且成为一个真正的交叉学科课题。这需要在沟通和“翻译”两个领域上付出相当多的努力。然而,两边所用的语言或许没有我们想的相距遥远:量子理论和机器学习都处理观测量的统计。可能我们起初就不需要通过0/1比特这种描述。总而言之,我们还不知道在未来几十年,量子计算机能否计算AlphaGo的每步落子的决策。但是问这些问题可以让我们思考很多事情。

方框: 实现由量子增强的机器学习的途径

量子搜索:

在九十年代中期,计算机科学家Lov Grover发现用量子计算在无序数据库(比如电话号码簿)上做搜索会比经典计算机快。这一方法可以被调整为找k个最近的搜索项,或者说与给定号码有最多的共同数字(只与相同位置的比较)的k个电话号码。在机器学习中,给定输入找最近的数据点是一个很重要的任务,例如一个被叫做“k近邻”的方法就是根据近邻的y值(标记类别)去选择一个新的y值。可能最直接的用量子计算机解决机器学习问题的途径就是把搜索问题重新表述为量子计算的语言,然后应用Grover算法。

线性代数:

一个小的量子系统可以有大量的不同构型或者测量结果。量子理论描述了这些不同构型被测量到的概率,而这其中的数学又在很大程度上基于线性代数。在2009年,来自麻省理工学院的Aram Harrow, Avinatan Hassidim 和 Seth Lloyd,聪明地利用这一特点提出了一个量子算法去解线性方程组,并且在特定情况下,这一算法快的不可思议。同样地,许多机器学习中的优化问题在数学上也被表述为解线性方程,其中的未知数个数依赖于数据集的大小。对于大数据应用来说,数值解需要消耗大量的计算资源,而这就成为量子线性方程算法绝佳的潜在应用对象。

寻找基态:

第三类优化问题是去找一个比特序列去最小化一个能量函数。一个流行的数值方法是通过所谓的“模拟退火”。这个方法模拟了系统冷却到基态的热力学过程。在这一过程的量子版本中,即“量子退火”,能量地形被类似地最小化,然而这一算法可以利用量子隧穿效应越过能量尖峰,而非通过“爬坡”越过,这意味着可以更快地找到最低的山谷。量子退火设备已经存在了,即是由加拿大公司D-wave在2010年宣称的世界上第一台商用量子计算机。这些设备已经被证明(毫无疑问,这非常奇异),在寻找全局最小值的问题上,比传统计算机上运行的模拟退火算法快一亿倍。

英才教育需要结合科研的超前学习


我与张捷兄认识很久了,他是名门后代,祖父张文佑,外祖父赵九章,父亲张肇西都是中科院院士。张捷兄中科大物理系毕业,后来从事过核物理、半导体集成电路、律师、房地产投资、文化传媒等行业,堪称传奇。他有一儿一女,比我的儿子大几岁。我们聊天时,经常涉及到了家庭教育,张捷兄的育儿经验让我受益良多。最近听说他要把这些经验与理念写成一本书《拼娃》,去影响更多的人,这真是非常好的事情!

在我看来,他的育儿理念远远超越了家庭教育的范畴,而与家国天下联系在一起。从大的方面来说,国与国之间的教育竞争,某种程度上,也是在拼娃,比拼的就是国家下一代人才的厚度和高度。教育有很多个层次:义务教育、普及教育、超长教育和高等教育等等。不同的层次,有不同的目标。国与国之间的教育竞争,义务教育是基石,而高等教育则是核心。到了高等教育阶段,教育与科技创新是融为一体的,一流的高等教育,能够让潜在的人才脱颖而出,发挥出最大的能力。而一流人才把创造力发挥出来后,会极大的提升所在国家的科技实力,在国际竞争中占得先机。

过去4年,我担任了清华大学计算机科学实验班“姚班”2013级的班主任。清华大学计算机科学实验班是计算机研究领域最高奖图灵奖获得者姚期智院士2004年回国后在清华大学工作后创办的,目的是改革中国计算机高等教育的培养模式,探索培养计算机领域的顶尖人才。从姚班创办之初,就吸引到了中国最好的计算机与信息科学方面的天才学生。结合我的姚班班主任的工作经验,我极为认同张捷兄的一个观念,那就是教育要发挥人的特长,对于自身感兴趣与有特长的领域,要超前学习,才有希望取得超越前人的成就。

作为班主任,我与2013级姚班的学生有很多接触与交流,从他们身上看到了无穷的潜力。这些学生最大的特点就是主动地超前学习:大一念大三、大四的专业课,大二念研究生专业课,还拿课程的最高分,是非常普遍的事情。姚班大部分生源都是竞赛生,他们在高中时就自学了很多大学的数学与计算机专业课程。因此,对他们来说,超前学习是从中小学就养成的习惯。正是因为超前学习,使得他们在大二就能开始进行科研训练,参与最前沿的项目。到了大四上学期,班上的同学,大都做出了很好的研究成果。个别突出的人,已经发表了好几篇高水平的论文,并有多篇论文投稿中。据统计,截止大四上学期末,全班三十余名同学,一共发表和投稿的论文已经超过七十篇。

为了能够发挥出姚班学生的潜力,学校还投入了大量资源资助他们去欧美一流的研究机构交流学习。要培养顶级的人才,最好的办法就是去顶级人才那里与他们朝夕相处,向他们学习。这些学生们也不负众望,做出了顶尖的成绩。一位学生去美国麻省理工学院访问时,写了四篇论文,解决了理论计算机领域的一个多年的难题,被麻省理工的指导教授称赞为他所遇到的最出色的学生。

清华大学姚班的创办与实践,证明了中国也能办出一流的计算机本科教育,从而吸引最顶级的学生加入。跟张捷兄聊到教育时,我们都认为,国与国之间的教育竞争是极为激烈的,中国必须要办出一流的教育,否则自身的人才就有可能被国外的教育给吸引出去。实际上,国外的大学已经直接来中国招生,试图挖掘和吸引最优秀的中学生了。如何提升中国高等教育的吸引力,是摆在我们面前的一项难题。

2016年暑假,我作为导师,参加了在清华举行的RSI科学夏令营。这个项目是美国的CEE(Center for Excellence in Education)与清华合办的。CEE在美国与麻省理工学院合作办了很多年的RSI,通过一个半月的夏令营项目,从高中生中选拔出具有自然科学方面的科研创新潜力的人才,并推荐他们可以美国的一流名校念书。从2015年开始,清华大学与CEE合作办中国的RSI。这些入选的学生,将会上一个星期的前沿科学课程,然后在接下来的六周里面,加入清华大学的某个实验室从事科研训练。通过这种经历,可以增长学生的见识,并获得清华大学教授的推荐信,提升他们被美国一流大学录取的概率。

在夏令营期间,有两位高中生跟着我做科研。这两位学生基础和天分有差别,所以类似的研究题目,最终的成绩差很大。其中一位学生在短短的一个月内就做出了有趣的工作,具有非常好的数理科研天分。苏格拉底说过,教育不是灌输,是点燃火焰。我希望能提供更多的帮助,让他们在这短短一个月的科研训练的中能够有所收获,激励自己,找到自己的兴趣,发现自己的潜力。哪怕最终并没有太多进展,但是能在高中时做一些前沿的研究题目,本身就是非常难得的经历。

年轻人要迅速成长,最好能尽早从事有挑战性、需要创造力的工作,即使遇到困难,也不要轻言放弃。发挥创造力解决困难的过程,就是年轻人成长的过程。如果我们去看美国的科研领军人物的简历,会发现其中很多人在中学时就进了实验室,有了科研经历。比如说,Frank Wilczek,麻省理工学院物理系教授,诺贝尔物理奖获得者。50年前,他就参加过西屋青少年科学竞赛(现名为英特尔青少年科学竞赛),拿到了第四名,并去了芝加哥大学念书。22岁时,他就做出了让他获得诺贝尔奖的工作。最近风头正劲的麻省理工学院生物学教授张锋,11岁移民美国,高中时就进了当地某大学的实验室,1999年参加了在麻省理工学院举办的RSI训练营,2000年获得英特尔青少年科技竞赛的的第3名,并被哈佛大学录取。后来他在光遗传学和基因编辑工具CRISPR-Cas9等技术上都做出了杰出的贡献。

从上面可以看出,美国顶尖的科技人才,很多是通过这种针对青少年的选拔计划脱颖而出,得到重点支持,进而在年轻时就做出引领世界科技发展的研究的。中国也有类似的项目,比如说中科大的少年班,北京八中的天才班等。但受限于中国整体的科教实力和发展水平,这方面的探索多年来只能限制在很小的范围内。

近年来,随着中国整体实力的增强,很多高中的教学科研条件也让人刮目相看。跟我做研究的高中生,他们学校就有量子密码的教学实验仪器,供他们学习和钻研。在来清华参加RSI夏令营之前,他对量子信息相关的背景知识,以及一些基本的实验和理论都有了初步的了解,因此才能在短期内在课题上取得很大的进展。据我所知中国能为学生提供探索性研究平台的中学越来越多。比如说人大附中这样的顶级中学,最近招收的老师,都是清华、北大,乃至海归的博士。张捷兄曾与我们讨论过这个现象,他认为只有经过了一流的科学研究训练,才可能给中学生们提供高水平的研究和探索类课程,培养出更高水平的人才。如果以后中国的中学里都能有前沿的设备和高水平的教师,与大学的教育无缝连接,培养出来的学生前途将不可限量。