在物理学中，粒子系统及其演变是由数学模型描述的，需要理论论证和实验验证的成功互动。
更为复杂的是对粒子系统在量子力学水平上相互作用的描述，这通常是用哈密尔顿模型来完成的。
由于量子态的性质，从观测中制定哈密顿模型的过程变得更加困难，当试图验证它们时，它们通常就会崩溃。
在发表于《自然·物理学》的论文《从实验中学习量子系统模型》中，来自布里斯托尔QET实验室的量子力学专家描述了一种算法，该算法通过作为一个自主代理，使用机器学习来逆向设计哈密尔顿模型来克服这些挑战。
该团队开发了一个新的协议，为感兴趣的量子系统制定和验证近似模型。
他们的算法自主工作，在目标量子系统上设计和执行实验，并将结果数据反馈给算法。
它提出了描述目标系统的候选哈密顿模型，并使用统计指标，即贝叶斯系数，对它们进行区分。
令人振奋的是，该团队能够在一个涉及钻石缺陷中心的现实生活中的量子实验中成功展示该算法的能力，钻石是一个经过充分研究的量子信息处理和量子感应平台。
该算法可用于帮助新设备的自动表征，如量子传感器。
因此，这一发展代表了量子技术发展的一个重大突破。
"结合当今超级计算机的力量和机器学习，我们能够自动发现量子系统中的结构。
随着新的量子计算机/模拟器的出现，该算法变得更加令人兴奋：首先它可以帮助验证设备本身的性能，然后利用这些设备来理解越来越大的计算系统，"布里斯托尔大学QETLabs和量子工程博士培训中心的Brian Flynn说。
了解基础物理学和描述量子系统的模型，有助于我们推进对适用于量子计算和量子传感的技术的认识，该研究的下一步是扩展该算法，以探索更大的系统和不同类别的量子模型，代表不同的物理现象或基本结构。
(原标题：人工智能算法帮助揭开量子系统的物理学基础)