量子计算被誉为计算领域的下一件大事，该技术有可能彻底改变许多领域，包括密码学、药物发现和优化问题。
在过去十年中，我们看到在增加量子比特的数量方面取得了巨大的进展，量子比特是量子计算机的基本组成部分。
但是，尽管量子计算机有许多前景，但它还不是一项成熟的技术。量子比特和量子比特间操作的错误率太高，使得当前的设备无法发挥作用。从本质上讲，我们今天拥有的是真正的量子计算机工程原型——只对物理学家和工程师学习如何构建更好的量子计算机有用。
在过去十年中，我们在增加量子计算机中的量子位数量方面取得了重大进展。然而，尽管取得了这一进展，但量子计算机在同一时期内每次操作的错误率一直停留在 0.25% 左右。即使在 2019 年的谷歌“量子霸权”结果中，99.8% 的结果都是噪音。该实验必须运行 30,000,000 次才能收集到足够的统计数据来证明所声称的结果。在这样的错误率下，即使是 100 个量子位也无法使用。
为了构建能够执行有用计算的容错量子计算机，错误率必须至少降低一个数量级。这是一个重大挑战，因为错误可能来自多种来源，包括量子位噪声、控制电子设备和环境因素。
降低错误率的一种方法是使用纠错码，它可以在错误出现时检测并纠正错误。然而，这些代码需要大量的量子比特才能有效，这意味着降低错误率仍然是一个关键的挑战。
最终，为了使量子计算机具有可扩展性，我们需要以纠错容错量子计算机为目标，这将需要数十万个量子比特才能发挥作用。然而，在我们实现这一点之前，我们必须首先将错误率降低至少一个数量级。
我们无法降低错误率的原因是量子比特就像雪花——每个都略有不同（或者它的环境和/或控制路径略有不同）。为了获得低错误率，我们必须在每次操作中测量每个量子位的数十个参数，并详细描述影响量子位操作的大量噪声。这将使我们能够深入了解剩余错误的根本原因是什么。
不幸的是，这需要非常大量的高素质人才来执行。这是太多的工作——即使对于 IBM 和谷歌这样的大公司来说也是如此，更不用说小型初创公司或学术实验室了。
灯泡并非来自蜡烛的不断改进……（Oren Harari）
这个问题的解决方案是 ML 物理学家。在接下来的十年里，机器学习助手将在人类努力的大多数领域变得无处不在，实验物理学也不例外。ML 物理学家可以帮助我们在降低量子计算机的错误率方面取得快速进展。
ML 物理学家是一种狭义的 AI，专门设计用于在开发实验室中与人类物理学家一起工作。通过承担测量参数和分析数据的繁琐工作，它使人类物理学家能够专注于更高层次的任务，例如解决下一次硬件迭代中的关键问题。这允许更快的改进并最终导致有用的量子计算机的开发。
ML 物理学家使用机器学习算法来识别数据中的模式，这些模式对人类物理学家来说可能不是很明显。通过提供新的见解和观点，它可以帮助指导人类物理学家朝着最重要的发展领域努力。人类与 AI 之间的这种合作可以带来突破，而这些突破是单独使用任何一方都无法实现的。
总的来说，ML Physicist 是加速量子计算机发展的强大工具。通过自动化某些任务并提供新的见解，它可以帮助优化人类物理学家的努力，并最终导致创建更有用和实用的量子计算系统。
总之，机器学习是实现量子计算机规模化的必要工具。在过去十年中，我们在增加量子比特数量方面取得了巨大进步，但由于相关设备的复杂性，错误率方面缺乏相应的改进。机器学习物理学家可以加速解决这个问题的进展。随着 ML 技术的不断进步，它很可能会在有用的量子计算机的开发中发挥越来越重要的作用。
