摘要：随着人工智能技术的飞速发展,机器学习已成为量子物理学领域的一个重要工具,它在量子技术中的多样化应用包括:测量数据分析、实验参数估计、硬件级量子控制策略、量子实验和量子协议的自动设计、量子纠错。在理论量子物理学中,机器学习也有重要的应用,它不仅可以帮助人们解决量子纠缠领域的疑难问题,甚至对量子力学基础研究也有一定的启示。机器学习的应用不仅提高了实验效率和精确度,还促进了新的科学发现,并对科学哲学的传统观点提出了进一步挑战。它在科学发现和科学理解中都有重要的哲学意义,可能改变科学研究的未来面貌及传统的科学观念。

关键词： 机器学习;量子物理学;科学发现;科学理解;人工智能;

人工智能（Artificial Intelligence，AI）作为当代科技发展的前沿领域，正在深刻改变着社会的方方面面。人工智能的核心目标是使机器能够模仿或增强人类的智能行为，从而在数据处理、决策制定、问题解决和语言理解等任务中展示出类似人类的认知能力。人工智能的重要性体现在多个领域：一是在医疗行业，人工智能助力疾病早期诊断和治疗方案优化；二是在交通领域，自动驾驶技术的应用将改变出行方式；三是在商业领域，人工智能可以提高效率、优化资源分配并改善客户体验。与这些领域形成对照的是，人工智能在量子物理学中的应用并不为多数人所知，但这一领域中的人工智能已经取得了长足的进步，并且开始对传统科学哲学理论产生了影响。长远看来，这种影响对社会发展有着更深刻的意义。

一、文献综述与问题提出

事实上，2024年诺贝尔物理学奖已经证明，随着人工智能技术的飞速发展，机器学习已成为量子物理学领域的一个重要工具。在以下五个具体领域中，机器学习已经显示出赶超人类智能的高效率与创造力。

一是在测量数据分析与量子态表示中，早期研究利用支持向量机（SVM）对超导量子设备中量子比特的测量轨迹进行无监督聚类，提高了读出保真度，揭示了主要噪声源为物理比特翻转，该方法在离子阱量子比特和NV中心量子设备中也有类似应用。神经网络直接从超导量子比特的测量数据重建量子动力学，适用于处理时间序列数据的循环网络，训练后的网络可将测量数据映射到量子态。理论研究将量子态层析成像与计算学习理论联系起来，实验证实了相关计算学习策略在量子光学实验中的有效性，且在多粒子联合量子测量中取得了显著优势。神经网络可有效逼近量子波函数，如通过受限玻尔兹曼机（RBM）表示量子态的方法，在实验中基于此实现了量子态的全估计和其他可观测量的重建，并扩展到混合态的研究。利用循环神经网络（RNN）或神经常微分方程（ODEs）直接计算量子态的复杂性质，避免了显式存储量子态，且能发现量子物理的基本性质。

二是在参数估计中，神经网络用于光量子实验中未知参数的估计，通过训练可校准设备并估计未知相移，展示了设备校准与外部参数估计的紧密联系。粒子群优化算法在量子计量反馈策略中的表现优于传统的贝里-怀斯曼-布雷斯林（BWB）策略，早期研究还应用了进化算法和强化学习来近似理想反馈策略。强化学习在量子参数估计中的应用，如优化量子费希尔信息，在实际案例中表现出色，可根据贝叶斯分布和测量选择下一步的测量。半导体量子点校准实验中，使用生成模型（如约束变分自编码器）有效减少了电流测量次数，另一种基于网络分类器的方法可自动调谐多量子点设备的电荷稳定性。量子哈密顿量学习（QHL）借助量子模拟器克服经典计算难题，实验实现了对电子自旋参数的估计，并发现了初始哈密顿量模型的不足，进而引入量子模型学习代理（QMLA）来学习整个哈密顿量结构。

三是在硬件级量子控制方面，强化学习可应用于量子控制，包括无反馈（开环控制）和反馈（闭环控制）任务，如状态制备、酉门合成、量子热机功率优化等。早期应用中Q学习用于自旋系统和多能级系统的状态制备，深度强化学习方法也逐渐应用于量子系统控制。深度强化学习首次应用于真实量子计算实验的酉门合成，同时也面临实验中奖励获取和实时控制的挑战，如在反馈控制中，需要实时处理测量信号并在短时间内决定后续行动。基于模型的强化学习技术利用已知模型进行量子控制优化，自动微分技术在其中发挥重要作用，使基于模型的控制优化更便捷，近期研究解决了反馈情况下的梯度计算问题。

四是在量子实验、协议和电路的发现中，自动化发现量子实验的算法（如Melvin）从随机组合光学元件开始，通过优化和筛选产生新的实验设置，发现了新的量子现象和概念，Theseus算法则基于图表示实现了高效的实验设计和优化。Tachikoma算法使用进化学习方法发现量子计量的新实验设置，逻辑人工智能（如MiniSAT）在量子实验设计中也有应用，且与其他方法结合表现出优势。深度生成模型用于量子光学实验，揭示了神经网络内部潜在空间的结构与实验设置的关系，在超导电路设计中，自动化优化算法设计出了性能优良的4-局域耦合器。在发现量子协议和离散反馈策略方面发挥作用，如发现量子纠错策略和量子通信协议，同时量子电路设计中，遗传算法和深度学习等技术用于量子电路合成和优化，解决了电路设计中的各种问题。

五是在量子纠错中，神经网络用于表面码的综合征解释，训练出的“神经解码器”可确定错误位置，分层解码器结合卷积神经网络和传统算法提高了处理大规模表面码的效率。深度学习用于优化表面码的连通性，发现了在实际实验中表现优异的代码，AutoQEC算法发现了新的量子码，具有更长的寿命。实验中通过基于模型的深度学习算法优化量子纠错电路（QEC）参数，提高了纠错效果，进一步的研究将尝试在实验中直接应用深度学习算法。

现在，我们要提出的问题是，机器学习在量子物理学中的应用还有哪些影响？可以肯定的是，这种应用绝不是仅仅改变了量子物理学的面貌。本文将在具体阐述量子物理学领域内的变革之后，进一步探讨这种变革对于科学发现和科学理解的深刻意义，并评估未来学术研究以至社会发展随着机器学习的革新而演变的可能性。在正式的讨论之前，我们将简要介绍机器学习中常见的专业术语，以增强后文的可理解性。

二、机器学习中的常用方法

人工智能在量子物理学中应用的主要形式是机器学习（Machine Learning, ML），这是实现人工智能的重要途径之一。它通过从数据中学习模式并进行预测，赋予机器一定的“学习”能力，从而使其在没有明确编程指令的情况下完成复杂任务。早期的人工智能系统依赖于预定义规则来执行任务，而机器学习系统则依赖于大量数据和算法，通过不断训练模型来提高其性能。机器学习不仅提高了人工智能在语音识别、图像处理、自然语言理解等领域的表现，还推动了深度学习（Deep Learning）和强化学习（Reinforcement Learning）等分支的快速发展，使得人工智能能够解决许多复杂的现实问题。

在机器学习领域，有多种方法和技术可以用于不同的任务。它们各自具有独特的优势，适合于不同的数据和问题类型，当然也常用于解决量子物理学的技术和理论问题，主要包括六种方法。

一是进化算法（Evolutionary Algorithms），这种算法受生物进化过程的启发，通过种群进化、选择、交叉和变异等过程，找到复杂问题的近似最优解。进化算法擅长处理优化问题，并且通常适用于问题空间较大或搜索空间不连续的场景。与神经网络相比，进化算法不依赖梯度信息，因此在非连续问题上有优势。

二是神经网络（Neural Networks），受人类大脑结构的启发，神经网络是一种由多个“神经元”组成的复杂计算结构。它们通过层与层之间的权重调整来学习数据中的模式。神经网络的灵活性使其在图像、音频和文本处理等领域表现出色。

三是深度学习（Deep Learning），深度学习是神经网络的一个子领域，其关键特点是通过多层神经元构建深度网络结构，从而能够处理大量数据并捕捉到更为复杂的特征。深度学习在计算机视觉、语音识别和自然语言处理等领域的成功，得益于其强大的表示能力和能够利用大规模数据的能力。与进化算法不同，深度学习依赖于大规模标注数据以及通过反向传播优化权重。

四是监督学习（Supervised Learning），在监督学习中，模型通过大量已标注的训练数据进行学习。每个输入数据都有对应的输出标签，模型根据这些标签不断调整参数，以期在新数据上做出准确预测。监督学习广泛应用于分类（如垃圾邮件过滤）和回归（如房价预测）等任务中。

五是无监督学习（Unsupervised Learning），与监督学习不同，无监督学习没有标注的数据作为参考，模型需要自己发掘数据中的潜在结构和模式。聚类算法（如K-means）和降维技术（如主成分分析PCA）是常见的无监督学习方法。无监督学习在探索性数据分析和特征提取中具有重要应用。

六是强化学习（Reinforcement Learning），强化学习是一种通过与环境交互来学习策略的机器学习方法。在这种方法中，智能体通过采取行动获得奖励或惩罚，逐步优化其决策策略，以最大化累积奖励。强化学习广泛应用于游戏人工智能、机器人控制以及自动驾驶等领域，因其能够在动态、不确定的环境中学习最优行为。强化学习可分为模型无关的强化学习和基于模型的强化学习。前者是一种不依赖于系统模型的方法，直接从与环境的交互中学习策略；后者则依赖于对环境或系统的模型来进行策略的学习。

尽管这些方法在本质和应用上各有不同，但它们之间并非完全独立。例如，神经网络可以作为监督学习和无监督学习的模型基础，而深度学习则是在神经网络的基础上扩展而来。此外，进化算法和神经网络可以结合使用，形成进化神经网络，从而利用进化算法来优化神经网络的结构和参数。

三、机器学习在量子技术中的应用

在量子物理学中，机器学习的重要作用主要体现在量子技术领域中。这一领域可以细分为测量数据分析和量子态表示、实验参数估计、硬件级量子控制策略、量子实验、量子协议和量子电路的自动设计、量子纠错这五个方面。

（一）测量数据分析和量子态表示

测量数据分析在量子设备上有着直接且重要的应用，从基础的了解测量设备性能，到提取量子系统高级属性，再到完整重建量子态都属于其范畴。监督学习是常用方法之一，能够从一系列测量结果中获取量子态的近似描述。例如，在超导量子设备里，通过微波信号获得的噪声测量轨迹可推断量子比特逻辑状态，机器学习在此过程中提高了读出保真度。支持向量机（SVM）以无监督方式对测量轨迹聚类，优于经典聚类算法；神经网络也被用于增强捕获离子量子比特的读出能力以及重建量子系统的量子动力学。

随着量子系统中粒子数增加，量子态复杂度呈指数级增长，内存需求巨大，传统算法难以处理。神经网络成为近似量子波函数的关键手段，受限玻尔兹曼机（RBM）因可直接抽样备受青睐。生成深度学习方法如归一化流、变分自动编码器和生成对抗网络可学习概率分布并表示量子态可观测量统计数据。利用量子态表示模拟量子态时间演化对预测和基准测试量子模拟器和计算平台动力学意义重大。探索耗散量子多体动力学即混合态时间演化是研究方向之一。还有绕开量子态存储的方法，如直接从状态构造规则计算量子态复杂属性，神经常微分方程（ODEs）可近似量子系统动力学且能发现海森堡不确定性关系等量子物理基本属性。

（二）实验参数估计

实验参数估计是机器学习在量子技术应用中的另一个重要领域。这个领域的研究课题包括量子计量学（Quantum Metrology）、设备校准和量子哈密顿学习等。

量子计量学致力于对量子系统外部参数进行精确测量，如磁场强度、材料样本的光学性质等。机器学习为量子计量学提供了丰富多样的方法。在非自适应方法中，量子纠缠的特性被充分利用，通过巧妙的算法设计减少了测量所需的资源，例如，在光子实验中，能够以更少的光子与样本相互作用来获取准确的测量结果。神经网络在其中发挥了重要的参数估计作用，为非自适应量子计量学提供了有力的支持。相比之下，自适应方法虽然在原理上具有更大的潜力，但由于其对实验设置和反馈机制的要求更高，目前仍处于原理验证阶段。在实验室中，非自适应量子计量学得到的探索和应用更加广泛。

未来大规模量子设备的发展离不开对组件参数的精确自动表征和调整。“主动学习”和“贝叶斯最优实验设计”等机器学习策略为解决这一问题提供了有效的途径。通过这些方法，算法能够在有限的信息条件下，自动选择最具信息量的测量方式，从而准确地提取相关数据，确定设备的实际参数或找到理想的操作点。在设备校准方面，训练基于网络的分类器成为一种有效的手段。例如在多量子点设备的研究中，通过训练分类器识别“有趣”的测量结果，如电荷稳定性图中的电荷转换等信息，进而调整设备参数，实现了对设备的精准控制。在量子多体哈密顿量下演化参数的估计方面，量子模拟器与经典机器学习方法相结合取得了显著的成果。实验不仅能够实现对演化参数的高质量估计，还能够通过机器学习算法发现初始哈密顿量模型的不足之处，为进一步优化模型提供了依据。

（三）硬件级量子控制策略

量子计算和量子模拟领域的快速发展对量子系统的控制提出了更高的要求。量子控制任务主要分为开环控制和闭环控制两类。开环控制任务中，控制脉冲的设计旨在实现特定目标，如量子态的制备或量子门的合成。这种控制方式在执行过程中不依赖系统状态的反馈信息，需要提前设计好精确的控制策略。而闭环控制则通过持续监控系统的输出，并根据实时测量结果调整控制策略，以应对量子系统中常见的噪声、衰减和退相干等问题。这两类控制任务各有特点，适用于不同的场景和需求。

强化学习在量子控制领域展现出了卓越的性能。在开环控制任务中，无模型的强化学习能够直接通过实验学习最优控制策略，无需事先了解系统的内部参数或动态信息。这种特性使得强化学习在应对复杂多变的量子系统时具有很强的适应性。例如，在量子态制备问题上，强化学习从早期为自旋1/2系统和三级系统进行纯态准备，到在多量子比特系统中的应用，逐渐发展成熟。随着技术的进步，深度强化学习方法被引入，进一步提高了量子控制的效率和精度。在闭环控制方面，虽然目前相关研究相对较少，但强化学习同样具有巨大的潜力。通过合理利用反馈信息，强化学习算法能够不断优化控制策略，提高量子系统的稳定性和可靠性。然而，目前强化学习在量子控制中的实验应用还处于初级阶段，面临着诸多挑战。例如，如何实现强化学习算法与量子设备的高效集成，以及如何提供更即时、准确的反馈信息来优化控制决策的训练过程等，都是亟待解决的问题。

（四）量子实验、量子协议和量子电路的自动设计

量子实验、量子协议和量子电路的设计通常需要组合离散的基本构建模块。例如在量子光学实验的设计中，研究者经常用到激光器、非线性晶体、分束器、全息图、光子探测器等构建模块。传统的量子实验设计主要依赖科学家的经验和直觉，这在一定程度上限制了实验设计的效率和创新性。机器学习的引入为量子实验设计带来了自动化的新方法。Melvin 算法通过组合量子实验工具箱中的构建模块，能够根据特定需求优化实验设置，从而发现新的实验方案。强化学习在量子实验自动化设计中发挥了重要作用，它能够使多个实验设置被重新发现，并且对以前复杂的实验设置进行自动简化。Theseus 方法则利用量子实验的图表示和梯度优化算法，显著提高了发现实验设计方案的速度，相比传统技术快了几个数量级。Tachikoma 方法采用进化学习的方式，为发现量子测量的新实验设置提供了独特的视角。此外，逻辑人工智能也在量子实验设计中发挥了作用，通过将设计问题转化为逻辑表达式并用专门的求解器解决，为量子实验设计开辟了新的途径。

量子通信协议的实现与强化学习有着紧密的联系。量子通信协议的执行过程类似于强化学习中的策略学习，即通过一系列操作来实现期望的结果。研究人员通过强化学习成功地重新发现了量子隐形传态、量子态纯化或纠缠交换等重要的量子通信方案。在量子电路设计方面，它与量子实验设计既有相似之处，又有其独特的特点。两者都需要连接离散的参数化元素并优化其参数，但量子电路设计在通用门集的使用以及目标明确性方面与量子实验设计存在差异。量子电路设计问题主要分为合成和优化两个分支。遗传算法在量子电路合成领域有着悠久的应用历史，早期就通过该算法找到了正确的电路，大大减少了评估次数。随着技术的发展，强化学习等机器学习技术也逐渐应用于量子电路设计，包括含未参数化元素的量子电路设计以及基于门的量子计算机的量子电路设计等，为量子电路设计的发展提供了新的动力。

（五）量子纠错

在实际的量子计算设备中，由于受到各种因素的影响，不可避免地会出现误差。量子纠错（Quantum Error Correction, QEC）技术因此成为量子技术发展中的关键环节。表面码作为一种极具前景的量子纠错架构，通过测量“综合征”来检测和纠正量子比特发生的错误。机器学习在量子纠错中发挥着重要作用。例如，RBM被用于训练神经解码器，通过模拟错误并将综合征与错误配置配对，能够准确地从表面码的综合征中推断出错误的位置。强化学习也在量子纠错中有着广泛的应用。在优化表面码连接性方面，通过训练代理调整表面码的连接性以适应不同的噪声模型，如偏差噪声或空间局部化的噪声，能够显著提高编码的性能。在微波腔设置中，利用模型无关的强化学习优化量子纠错电路的参数，成功克服了实验校准不完美导致的编码效率问题，使得量子纠错方案的寿命比未校正系统提高了两倍以上。这些成果充分展示了机器学习在量子纠错领域的巨大潜力和重要价值。

四、机器学习在理论量子物理学中的应用

机器学习在量子物理学的理论研究中的一项重要应用就是解决与量子纠缠相关的问题。1964年，约翰贝尔在研究隐变量理论时指出，若一个量子系统有多个相互远离并相互关联的子系统，那么根据隐变量理论以及狭义相对论的定域性假设，不同的观察者对这些子系统的测量结果必定满足一个不等式，人们把它称作贝尔不等式。后来的实验证明，实际的量子测量结果违背了贝尔不等式。这表明相互关联的子系统处于一种非经典的特殊关联之中，这就是量子纠缠，整个量子态就属于纠缠态。早期人们研究的量子纠缠问题比较简单，例如著名的Clauser-Horne-Shimony-Holt (CHSH)实验只涉及两个子系统，每个子系统只有两种可能的测量，每种测量只有两种可能的结果。但现在的量子纠缠问题会涉及大量的子系统和多种可能的测量以及多种可能的测量结果，这种实验中的关联性和量子态分类等问题几乎不可能由人类解决，这时人们就需要借助机器学习。

在这一领域中，神经网络有着广泛的应用，主要包括判断给定的关联是经典关联还是非经典关联，以及判断特定的概率分布是经典分布还是非经典分布。卡纳巴罗（A. Canabarro）等人使用监督学习和集成的神经网络通过回归来判断非经典相关性，对于给定的关联，算法将输出特征向量与经典集合的距离。克里瓦齐（T. Kriváchy）等人利用神经网络将特定概率分布是否属于定域集合的问题转化为可学习问题。对于具有足够模型容量的神经网络，如果可以逼近目标分布，则目标分布是定域的，即经典分布。他们将这项技术应用于前人用其他方法研究过的一些案例，得出了与前人一致的结果。

在理论和实际应用中，人们经常需要找到最大限度地违背贝尔不等式的实验设置。具体问题包括量子态的选择和对量子态进行的测量的选择。对于多体量子态和相关测量数量众多的情况，这个问题也要利用机器学习来解决。事实上，在选择了适当的测量设置之后，贝尔不等式可以表示为一个算符。这个算符可以看作是一个哈密顿量。具有最大特征值的本征态就是最大限度违背贝尔不等式的状态。人们可以采用RBM架构来计算这个哈密顿量的负数的基态，以找到这个状态。巴尔提（K. Bharti）等人研究了贝尔不等式的博弈论表述（称为贝尔博弈），并应用强化学习,将最大限度违背贝尔不等式的问题转化为一个决策过程。这是通过顺序选择贝尔博弈中的参数来实现的，例如测量算符的角度和量子态角度等。这些顺序动作针对最佳配置进行优化即可得到所需的方案。

与此相关的问题是量子态的分类，即判断一个量子态是不是纠缠态的问题。当人们处理复杂系统时，这个问题也会变得极其困难，因此也需要机器学习的帮助。直接使用贝尔不等式与神经网络相结合的方法有一定的问题，因为有些纠缠态并不违背贝尔不等式。不过这种方法也是可以改进的。哈内（C. Harney）等人使用带有RBM的强化学习来检测纠缠态，取得了一定的成功。也有团队通过采用经典（即非深度学习）的监督学习来检测纠缠。戈乌斯（C. B. D. Goes）等人提出了一种自动化的机器学习方法，并设计了一种方法以找到足够样本对模型进行训练。这两种机器学习工具都可以在给定完整的量子态（例如，通过量子层析获得的量子态）作为输入的情况下帮助人们区分纠缠态和非纠缠态。

此外，一些学者倾向于认为隐变量理论中的“隐藏”一词与深度学习中的“隐藏”神经元可能并非巧合。史蒂芬·外恩斯坦（Steven Weinstein）使用条件受限玻尔兹曼机（CRBM，受限玻尔兹曼机的一个变体），为量子理论提供了一种完备性描述。然而，这种完备性并不与贝尔不等式相矛盾，因为它实际上没有遵守“统计独立性”的假设，即不保证系统在测量前的完整描述必须与最终的测量设置无关。通过违反统计独立性假设观察到的明显非局域性现象被称为“没有非局域性的非局域性”。人们据此猜测是否可能通过打开神经网络的黑箱来猜测量子纠缠现象的物理原理，这无疑是一个非常有趣的量子物理基础问题。

五、科学发现与科学理解：机器学习的科学哲学意义

机器学习在量子物理学中的应用，特别是量子光学实验的自动设计，有着非凡的科学哲学意义。这主要体现在科学发现和科学理解这两个方面。

（一）机器学习与科学发现

事实上，人工智能在科学发现上的应用并不是近年来才出现的，机器发现（Machine Discovery）早在20世纪70年代就已经开始发展了。其中，帕特里克·兰利（Patrick Langley）和他的老师（人工智能领域的先驱）赫伯特·西蒙（Herbert Simon）等人于1978至1983年间合作开发的六代BACON系统是典型的例子。该系统被冠以哲学家弗朗西斯·培根之名，根据历史上的观测数据重新发现了一系列物理、化学等自然科学领域的重要定律。在一定意义上，这证明了科学发现的客观性，因为只要有正确的数据，就存在着不以个人或社会因素为转移的科学发现。BACON的成就与某些科学哲学理论发生了冲突。在科学哲学中，以爱丁堡学派为代表的科学知识社会学（SSK）主张的“强纲领”认为，社会因素是科学发现不可消除的组成部分，是理论真实内容的有因果效用的决定因素。1989年，彼得·斯莱让克（Peter Slezak）发表了一篇长论文，认为以BACON为代表的机器发现系统证明“强纲领”是错误的，科学发现可以脱离社会因素。这篇文章引发了激烈的争论。

站在科学知识社会学的角度，反对斯莱让克的学者们对机器发现的“输入端”和“输出端”都提出了质疑。在“输入端”，一个容易想到的反驳就是BACON的数据来源问题。正如柯林斯（H. Collins）所质疑的，BACON做出的科学发现依赖于人们提供给它的数据，而这些数据的产生并不能脱离社会因素，因此科学发现归根结底还是不能独立于社会因素。此外，BACON重新发现的科学定律通常是各种物理量构成的数学公式，由于理论和算力的原因，它并不会机械尝试所有的等式，而是依据一定的“启发式”，例如寻找变量之间递增或递减的关系、寻找恒定的量、寻找对称性等等。这些启发式是在算法启动之前人为设定的。按照SSK的观点，这同样依赖于社会因素。吉尔（R. N. Giere）则认为“输出端”同样是可疑的，因为计算机的输出是一串符号，要把这串符号描述为科学定律，需要人来做语义解释，而这解释无法脱离社会因素。与二者不同，伍尔加（S. Woolgar）倾向于超越对某一局部的质疑，认为社会不能像外力作用于物体那样，作为影响科学发现的一种外部变量，我们应当把一切都看作是社会的。

不过，对这些反驳的回应并不困难，关键在于对“社会因素”的详细分析。西蒙在探讨机器发现的哲学问题时，将科学发现的社会因素区分为内部的和外部的：内部社会因素与科学内容相关，例如科学家所掌握的数据和背景知识，而外部社会因素与科学内容没有直接关系，例如社会需求、政治、资本、意识形态、宗教信仰等因素。前者是科学共同体内部的社会因素，而后者的影响范围是所有人，并不只是科学家。机器发现对“强纲领”的反驳并不意味着剔除一切社会因素，它只是剔除了外部社会因素而已。

在BACON之后，机器发现并没有停下发展的脚步，这个领域在近些年仍在很多方面成就斐然。

在符号回归方面，一些算法能够从数据中发现符合物理规律的符号表达式。例如，人工智能 Feynman算法通过结合神经网络拟合与多种物理启发式技术，对100个来自费曼物理学讲义的方程进行测试，发现了所有方程，而之前的软件只能解决71%；对于更难的物理测试集，它将成功率从15%提高到90%。它通过维度分析、多项式拟合、暴力搜索、神经网络测试与变换等多个模块，利用物理单位、多项式特性、函数组合性、平滑性、对称性和可分离性等物理问题中常见的简化属性来递归地解决问题。还有一些算法能够从量子系统的模拟实验数据中发现量子概念和定律。例如，一种内省式学习架构通过包含执行势到密度映射的机器翻译器和从翻译器隐藏状态中提取关键信息及其更新定律的知识蒸馏自动编码器，从量子粒子的势-密度映射模拟实验数据中自动发展出量子波函数的概念并发现薛定谔方程。

在物理系统建模方面，特定的算法能够对物理系统的状态变量进行自动发现。例如，通过神经网络和几何流形学习算法，直接从视频流中确定观察到的系统可能具有的状态变量数量以及这些变量可能是什么，在不知道基础物理知识的情况下，对弹性双摆、火焰等多种物理动力系统的视频记录进行分析，发现内在维度并识别候选状态变量集。基于神经网络的算法还可以发现物理系统中的守恒定律并用于预测。例如，通过模拟人类物理推理过程的神经网络架构SciNet，对于阻尼摆的时间序列数据，能够发现运动规律、准确预测未来位置，并在两个潜在神经元中分别使用频率和阻尼因子等相关参数；对于两个碰撞粒子的运动预测，能够利用总角动量；在量子实验中，可用于确定未知量子系统的维度以及判断测量是否具有完备性。

此外，基于潜在神经常微分方程的模型可以在量子系统中预测量子轨迹和符合物理规律的行为。例如，QNODE在对封闭和开放量子系统动力学的期望值进行训练后，可以学习生成测量数据，并以无监督的方式外推到训练区域之外，满足封闭和开放量子系统的冯·诺依曼方程和时间局部林德布拉德主方程。这个模型重新发现了海森堡不确定性原理等量子力学定律，进一步充实了机器发现在量子物理学领域的成果。

然而，机器发现的这些新进展似乎不能进一步反驳“强纲领”，无论在“输入端”还是在“输出端”，上述算法都具有与BACON相似的特征。在“输入端”，新算法同样需要人类进行数据收集和算法设计等工作。特别是很多算法的训练数据主要是通过计算模拟出来的，而非基于真实的观察和实验数据。科学理论难以发现的原因之一是事先不知哪些数据相关，需通过可控实验试错，而目前的模拟数据不能完全反映真实情况，真正的 人工智能 科学家应面对历史真实数据和当时理论得出有意义发现。而且上述算法也未体现决策过程，如应做何种观测实验、获取哪些数据等。现有研究虽有尝试但存在局限，如只能区分顺序排列的不同环境，而真实科学发现中复杂世界是同时出现的，且把研究对象从环境中剥离开来的过程能否被形式化需继续探讨。在“输出端”，新算法也需要人类对它们得到的结果进行解释，将其与现有理论相结合，判断其合理性和创新性。这些特征仍处在SSK的“射程范围”之内，仅考虑上述算法，我们仍只能诉诸两种社会因素的区分来反驳“强纲领”。

因此，要比斯莱让克、西蒙等人更有力地揭示“强纲领”的缺陷，有赖于机器发现的更进一步的发展。机器学习在量子物理学中的应用正是这类进展的代表。特别是量子光学实验的自动设计，超越了传统机器发现的范式，也在更大程度上显示了它对科学发现模式的潜在影响。

以BACON为代表的机器发现系统颇受诟病的一个重要原因是，它们只是重新发现了人类已经发现的科学定律，对科学并没有真正的贡献；与之形成对照的是，量子光学实验中的机器学习算法已经发现了人类未发现的重要结论。例如，人们曾认为高维六光子GHZ量子态不能由线性光学建构，而Theseus算法自动发现了这种量子态，推翻了此前的观点。与传统机器发现模式不同，在量子光学实验领域，基本构建模块像字母一样，可以认为是固定不变的，而实验设计就像用字母写文章，是这些构建模块的连接组合。因此，与BACON等系统着力解决的机器发现问题不同，量子光学实验设计所要发现的并不是物理量之间的数学恒等式，而是基本实验器件之间的最优连接方式，并且通过特定的实验设置，算法还可以发现相应的量子态。这些发现超越了围绕BACON展开的争论，是基于机器学习的科学发现的更新颖、更有说服力的例证。

当然，目前量子光学实验的自动设计还需要人类的辅助，例如定义图的顶点、边以及权重函数等初始状态、构建如状态保真度、门保真度等优化目标函数、对算法输出的解读和推广等等。但这些辅助并不是主要的，而且也不是永远不可替代的；特别是初始状态的定义，对算法的每个任务来说都是相同的。此外，具体算法的特征也意味着人类的辅助及其中包含的社会因素的弱化。Melvin算法可以自动将成功的实验设置存储在工具箱中，以便在后续的任务中使用。Theseus算法可以将自动发现的实验设计或概念以简化图的形式呈现给人类。这些成果即便需要经过与人类的交互过程才能产生真正的科学发现，这个交互过程也已经足够简化了。在机器发现的“输入端”，算法所依赖的工具不再完全由人类提供，算法自动生成的工具可以占大多数；在机器发现的“输出端”，需要人类提供的语义学解释也由于简化图的直观性而变得微不足道。这些事实（以及合理的可能性）说明，在这类科学发现中，大部分的重要工作是由机器承担的，即使我们面对的是一个仅考虑内部社会因素的、弱化了的“强纲领”，也有很强的理由反驳它。

（二）机器学习与科学理解

Theseus算法生成的简化图意味着它不仅有助于科学发现，也能提供科学理解。在科学哲学中，关于科学理解的研究属于近些年的热点领域。德·雷格特（Henk W. de Regt）在其获得拉卡托斯奖的著作中指出，如果科学家能够定性地识别一个现象的特征性后果而不需要进行精确的计算，那么他们就理解了这个现象。Theseus的发现恰好可以提供这一意义上的科学理解，因为Theseus的简化图能够以一种直观的方式展示量子态，使得科学家可以通过视觉化的方式来理解复杂的量子概念，如对称性和量子态的产生。视觉化在科学理解中的重要性可以追溯到薛定谔，他主张为了使物理理论易于理解，它们应该是可视化的（Anschaulichkeit）。因此，Theseus通过提供一个能够被直观理解的视觉化工具，帮助科学家在量子物理学领域实现了新的科学发现和理解。这种方法不仅符合德·雷格特关于科学理解的标准，而且也呼应了薛定谔关于理论可视化的观点。

量子光学实验的自动设计不仅是机器发现的一大步，也是迈向机器理解的第一步。近年来人工智能的发展在为人类提供强有力的辅助的同时也越来越使人们疑惑不解，以AlphaFold为代表的机器学习系统对人类而言完全是个黑箱，甚至是“神谕”——它只能给人们提供结果，却不能产生理解。在这个背景下，机器理解的合理性和重要性是不言自明的。根据马里奥·克伦（Mario Krenn）等人的观点，机器理解有三个维度。首先，作为“计算显微镜”，它可以提供尚未通过实验手段获得的信息。其次，作为“灵感资源”或人工缪斯，扩大人类的想象力和创造力范围。第三，作为“理解代理”，像人类科学家那样概括观察结果，生成新的科学概念并将其灵活运用到不同现象中，特别是要将这些见解传达给人类科学家。在前两个维度中，人工智能使人类获得新的科学理解，而在最后一个维度中，机器自身获得理解。虽然目前还没有人工智能在科学中成为真正的“理解代理”，但像Theseus这样的算法已经开始通过一种可行的方式向人类传达理解了。

克伦等人认为，人工智能要成为真正的理解代理，需要满足两个条件，一是能够在不进行精确计算的情况下识别一个理论的定性特征后果，并在新的情境中使用它们；二是能够将其理解传递给人类专家。我们可以构造一种“类图灵测试”来检验人工智能是否已经成为理解代理：一个人（学生）与一位老师互动，老师既可能是人类也可能是人工智能。老师的目标是向学生解释一个科学理论及其定性的特征结论。另一个人（裁判）独立地测试学生和老师。如果裁判在各种情境下无法根据老师的理解能力和教学水平判断他是人类还是人工智能，就可以认为老师具有科学理解；如果老师确实是人工智能，则它已经成为理解代理。根据机器学习在量子物理学领域的新进展，我们有理由认为机器理解正在向着理解代理的方向发展。这种发展将会改变人类社会的各个方面，而社会的改变反过来又将颠覆性地影响科学哲学。对于SSK而言，不仅“科学知识”中人工智能的成分会越来越多，而且“社会”也将被人工智能所改造。即便我们仍然可以把改造的结果称为“社会因素”，但它已经不再是前人所指的社会因素了。

六、结论与展望

随着人工智能技术的不断进步，它对人类的影响已经超出日常生活，进入基础科研领域。特别是在量子物理学领域的应用中，机器学习已经不仅仅是一个工具，而是成为了推动科学发现和理解的新引擎。从量子态的测量数据分析到量子实验的自动设计，再到理论量子物理学中量子纠缠问题的解决，机器学习在量子技术中的多样化应用上展现了其在处理复杂量子问题中的巨大潜力。预计到2035年，随着量子计算机和量子模拟器的规模不断扩大，机器学习将在自动校准、优化实验设置、信息提取、智能控制策略和量子错误校正等方面发挥越来越关键的作用，成为量子计算的工具箱中不可或缺的一部分。这些应用不仅提高了实验的效率和精确度，还促进了新的科学发现，甚至对科学哲学的某些传统观点提出了挑战。未来的人工智能系统有望实现更加自动化的目标设定和新算法的自动发现，进一步深化我们对量子世界的理解，并可能引发科学研究方法的根本变革。随着“云人工智能”和大语言模型的结合，人工智能将能够自动从文献中提取新思路，共享不同算法的结果，这将为科学研究带来前所未有的协作和创新,进而改变科学的传统面貌以及人们对科学的传统认识。此外，具备这些功能的“人工智能科学家”还有可能发展成为具身智能体，作为类主体的行动者进一步逼近人类的高级智能。当然，人工智能越发达，随之而来的数据风险以及相关的伦理、法律等问题也越严峻。但无论如何，机器学习在量子物理学中的应用仍标志着一个新时代的开启，预示着人工智能与科学研究将更加紧密地融合，共同探索未知的科学前沿，推动社会进一步高速发展。

原载： 《北京工业大学学报(社会科学版)》网络首发时间：2025-08-04。

本次推送略去注释，引用请参考原文及出处。