麻省理工学院的人工智能系统可通过表面观察来揭示材料的内部结构

麻省理工学院的人工智能系统可通过表面观察来揭示材料的内部结构通常我们无法从封面上看完一本书，但是根据麻省理工学院的研究人员，你现在可能能够对各种材料做同样的检查，从飞机零件到医疗植入物。他们的新方法使工程师们能够仅仅通过观察材料表面的属性来弄清楚内部发生了什么。该团队使用一种被称为深度学习的机器学习来比较关于材料的外部力场和相应的内部结构的大量模拟数据，并利用这些数据生成一个能够从表面数据对内部进行可靠预测的系统。该成果发表在《先进材料》杂志上，由博士生杨振泽和土木与环境工程教授MarkusBuehler撰写的论文。"这是工程中一个非常常见的问题，"Buehler解释说。"如果你有一块材料--也许是汽车上的一扇门或飞机上的一块--你想知道该材料的内部情况，你可能会通过拍摄图像和计算有多少变形来测量表面的应变情况。但你不能真正看清材料的内部。你唯一能做的是通过切割它，然后看里面，观察里面是否有任何形式的损坏。"新方法的一个潜在应用是无损检测；例如，你不再需要打开一个金属管道就可以检测缺陷。他说："使用X射线和其他技术也是可能的，但这些往往是昂贵的，需要笨重的设备。因此，我们所做的基本上是提出了一个问题：我们能不能开发一种人工智能算法，可以看看表面发生了什么，我们可以很容易地使用显微镜或拍照看到，或者也许只是测量材料表面的东西，然后试图弄清楚内部实际发生了什么？这种内部信息可能包括材料中的任何损坏、裂缝或应力，或其内部微观结构的细节。"他补充说，同样的问题也可以适用于生物组织。"那里是否有疾病，或者组织中的某种生长或变化？我们的目标是开发一个能够以完全无创的方式回答这类问题的系统。"Buehler说，实现这一目标需要解决复杂的问题，包括"许多这样的问题有多种解决方案"这一事实。例如，许多不同的内部配置可能表现出相同的表面特性。为了处理这种模糊性，"我们创造了一些方法，可以给我们提供所有的可能性，所有的选择，基本上，可能会导致这种特定的[表面]情况。"他们开发的技术涉及使用关于表面测量和与之相关的内部属性的大量数据训练一个人工智能模型。这不仅包括统一的材料，还包括不同材料组合的材料。"一些新的飞机是由复合材料制成的，所以它们有刻意的设计，有不同的阶段，"Buehler说。"当然，在生物学中也是如此，任何一种生物材料都是由多种成分组成的，它们具有非常不同的特性，比如在骨骼中，你有非常柔软的蛋白质，然后你有非常坚硬的矿物物质。"这种技术甚至对那些复杂程度不完全了解的材料也有效。"对于复杂的生物组织，我们并不确切了解它的行为方式，但我们可以测量其行为。我们没有这方面的理论，但如果我们有足够的数据收集，我们可以训练模型。"其开发的观察方法是广泛适用的。"它不仅仅局限于固体力学问题，还可以应用于不同的工程学科，如流体力学和其他类型。"Buehler补充说，它可以应用于确定各种属性，不仅仅是应力和应变，还有流体场或磁场，例如聚变反应堆内的磁场。它"非常通用，不仅适用于不同的材料，也适用于不同的学科"。最初开始考虑这种方法时是在研究一种材料的数据时，他们所使用的部分图像是模糊的，研究人员想知道如何可能"填补"模糊区域的缺失数据的空白。"我们如何才能恢复这些缺失的信息？"进一步研究后，发现这通常会是一个普遍存在的问题的例子，被称为逆向问题，即试图恢复缺失的信息。开发该方法涉及一个迭代过程，让模型进行初步预测，与有关材料的实际数据进行比较，然后进一步微调模型以匹配这些信息。由此产生的模型针对那些对材料有足够了解从而能够计算出真正的内部属性的情况进行了测试，新方法的预测与这些计算出的属性相吻合。训练数据包括表面的图像，但也包括各种其他类型的表面属性测量，包括应力、电场和磁场。在许多情况下，研究人员根据对特定材料的基本结构的理解，使用模拟数据。而且，即使当一种新材料有许多未知的特性时，该方法仍然可以产生一个近似值，足以为工程师提供一个大方向的指导，即如何进行进一步测量。作为如何应用这种方法的一个例子，Buehler指出，今天，飞机经常通过用昂贵的方法（如X射线）测试一些有代表性的区域来进行检查，因为测试整架飞机是不现实的。"这是一种不同的方法，你有一种成本更低的方法来收集数据并进行预测，"Buehler说。"从中你可以做出决定，你想去哪里看，也许会使用更昂贵的设备来测试。"这种通过GitHub网站免费提供给任何人使用的方法将主要应用于实验室环境，例如测试用于软机器人应用的材料。对于这类材料，他说："我们可以测量表面的东西，但我们不知道材料内部发生了什么，因为它是由水凝胶或蛋白质或生物材料制成的执行器，而且没有这方面的理论。因此，这是一个研究人员可以利用我们的技术对内部情况进行预测的领域，也许可以设计出更好的抓取器或更好的复合材料，"他补充说。...PC版：https://www.cnbeta.com.tw/articles/soft/1361719.htm手机版：https://m.cnbeta.com.tw/view/1361719.htm

麻省理工学院的AI突破：对抗MRSA的新型抗生素先锋

麻省理工学院的AI突破：对抗MRSA的新型抗生素先锋利用一种被称为深度学习的人工智能，麻省理工学院的研究人员发现了一类化合物，这种化合物可以杀死一种耐药细菌，这种细菌每年导致美国一万多人死亡。在最近发表于《自然》（Nature）的一项研究中，研究人员发现这些化合物可以杀死在实验室培养皿中生长的耐甲氧西林金黄色葡萄球菌（MRSA），以及在两种MRSA感染小鼠模型中生长的耐甲氧西林金黄色葡萄球菌。这些化合物对人体细胞的毒性也很低，因此特别适合作为候选药物。这项新研究的一个关键创新点是，研究人员还弄清了深度学习模型在预测抗生素效力时使用了哪些信息。这些知识可以帮助研究人员设计出更多的药物，它们可能比模型识别出的药物效果更好。"我们的洞察力在于，我们可以看到模型学习到了什么，从而预测出某些分子会成为很好的抗生素。"麻省理工学院医学工程与科学研究所（IMES）和生物工程系的特米尔医学工程与科学教授詹姆斯-柯林斯（JamesCollins）说："我们的工作提供了一个框架，从化学结构的角度来看，它既省时、省资源，又具有机理上的洞察力。"这项研究是麻省理工学院"抗生素-人工智能项目"（Antibiotics-AIProject）的一部分，该项目由柯林斯领导。该项目是麻省理工学院抗生素-人工智能项目的一部分。该项目由柯林斯领导，其任务是在七年内发现针对七种致命细菌的新型抗生素。用人工智能应对MRSA在美国，每年有超过8万人感染MRSA，它通常会引起皮肤感染或肺炎。严重病例可导致败血症，这是一种可能致命的血液感染。在过去几年里，柯林斯和他在麻省理工学院阿卜杜勒-拉蒂夫-贾米尔健康机器学习诊所（JameelClinic）的同事们开始利用深度学习尝试寻找新的抗生素。他们的工作已经产生了针对鲍曼不动杆菌（一种常见于医院的细菌）和许多其他耐药细菌的潜在药物。这些化合物是利用深度学习模型确定的，该模型可以学习识别与抗菌活性相关的化学结构。然后，这些模型会筛选数百万种其他化合物，预测哪些化合物可能具有较强的抗菌活性。事实证明，这类搜索富有成效，但这种方法的一个局限是，模型是"黑盒子"，也就是说，无法知道模型是根据什么特征进行预测的。如果科学家们知道模型是如何做出预测的，他们就能更容易地找出或设计出更多的抗生素。黄说："我们在这项研究中要做的就是打开黑盒子。这些模型由大量模拟神经连接的计算组成，没有人真正知道这底下发生了什么"。提高人工智能的预测准确性首先，研究人员使用大幅扩展的数据集训练了一个深度学习模型。他们通过测试约3.9万种化合物对MRSA的抗生素活性生成了这些训练数据，然后将这些数据以及化合物的化学结构信息输入模型。Wong说："基本上可以将任何分子表示为化学结构，还可以告诉模型该化学结构是否具有抗菌性。这个模型是在许多这样的例子中训练出来的。如果你给它任何新的分子、新的原子和化学键排列，它就能告诉你该化合物被预测为抗菌的概率。"为了弄清该模型是如何做出预测的，研究人员采用了一种被称为蒙特卡洛树搜索的算法，这种算法已被用来帮助使其他深度学习模型（如AlphaGo）更易于解释。这种搜索算法不仅能让模型对每种分子的抗菌活性做出估计，还能预测该分子的哪些亚结构可能会产生这种活性。人工智能驱动的药物发现过程为了进一步缩小候选药物的范围，研究人员又训练了三个深度学习模型，以预测化合物是否对三种不同类型的人体细胞有毒。通过将这些信息与抗菌活性预测相结合，研究人员发现了既能杀死微生物，又能对人体产生最小不良影响的化合物。利用这组模型，研究人员筛选了大约1200万种化合物，所有这些化合物都可以在市场上买到。根据分子中的化学子结构，模型从这些化合物中识别出了五种不同类别的化合物，这些化合物预计对MRSA具有活性。有希望的成果和未来方向研究人员购买了大约280种化合物，并对它们进行了针对在实验室培养皿中生长的MRSA的测试，从而确定了同一类中的两种似乎非常有希望成为候选抗生素的化合物。在两种小鼠模型（一种是MRSA皮肤感染模型，另一种是MRSA全身感染模型）的测试中，每种化合物都能将MRSA的数量减少10倍。实验发现，这些化合物似乎通过破坏细菌在细胞膜上维持电化学梯度的能力来杀死细菌。许多关键的细胞功能都需要这种梯度，包括产生ATP（细胞用来储存能量的分子）的能力。柯林斯实验室在2020年发现的一种候选抗生素--Halicin似乎也是通过类似的机制发挥作用的，但它对革兰氏阴性细菌（细胞壁较薄的细菌）具有特异性。MRSA是一种革兰氏阳性细菌，细胞壁较厚。Wong说："我们有相当有力的证据表明，这种新的结构类药物通过选择性地消散细菌中的质子动力，对革兰氏阳性病原体具有活性。这些分子选择性地攻击细菌细胞膜，而不会对人类细胞膜造成实质性损害。我们大幅增强的深度学习方法使我们能够预测这一类新结构的抗生素，并发现它对人类细胞没有毒性。"研究人员与PhareBio分享了他们的研究成果，PhareBio是柯林斯等人创办的非营利组织，也是抗生素人工智能项目的一部分。该非营利组织目前计划对这些化合物的化学特性和潜在临床用途进行更详细的分析。与此同时，柯林斯的实验室正在根据新研究的结果设计更多的候选药物，并利用这些模型寻找能杀死其他类型细菌的化合物。Wong说："我们已经在利用基于化学子结构的类似方法来重新设计化合物，当然，我们也可以随时采用这种方法来发现针对不同病原体的新型抗生素。"编译自:ScitechDaily...PC版：https://www.cnbeta.com.tw/articles/soft/1426194.htm手机版：https://m.cnbeta.com.tw/view/1426194.htm

麻省理工学院揭幕"质子之舞"： 开拓能源新时代

麻省理工学院揭幕"质子之舞"：开拓能源新时代麻省理工学院的化学家们首次详细描绘了这些质子耦合电子转移是如何在电极表面发生的。他们的研究成果可以帮助研究人员设计出更高效的燃料电池、电池或其他能源技术。麻省理工学院化学和化学工程教授、该研究的资深作者YogeshSurendranath说："我们在这篇论文中取得的进展是研究和理解了这些电子和质子如何在表面部位耦合的性质，这与催化反应有关，而催化反应在能量转换装置或催化反应中非常重要。"在他们的研究成果中，研究人员能够准确追踪电极周围电解质溶液pH值的变化如何影响电极内质子运动和电子流动的速度。麻省理工学院研究生诺亚-刘易斯（NoahLewis）是这篇论文的第一作者，论文最近发表在《自然-化学》上。麻省理工学院前博士后RyanBisbey、麻省理工学院研究生KarlWestendorff和耶鲁大学研究科学家AlexanderSoudackov也是这篇论文的作者。质子传递质子耦合电子转移是指一种分子（通常是水或酸）将质子转移到另一种分子或电极表面，从而刺激质子接受者也接受一个电子。这种反应已被广泛应用于能源领域。"这些质子耦合电子转移反应无处不在。它们通常是催化机制中的关键步骤，对于制氢或燃料电池催化等能量转换过程尤为重要，"Surendranath说。在制氢电解槽中，这种方法用于从水中去除质子，并在质子上添加电子以形成氢气。在燃料电池中，当质子和电子从氢气中移出并加入氧气形成水时，就会产生电能。施加电势会导致质子从氢离子（右图）转移到电极表面。利用具有分子定义质子结合位点的电极，麻省理工学院的研究人员为这些界面质子耦合电子转移反应建立了一个通用模型。图片来源：研究人员提供质子耦合电子转移在许多其他类型的化学反应中都很常见，例如二氧化碳还原（通过添加电子和质子将二氧化碳转化为化学燃料）。当质子接受体是分子时，科学家们可以精确控制每个分子的结构，并观察电子和质子如何在分子间传递，因此他们已经对这些反应的发生过程有了很多了解。然而，当质子耦合电子转移发生在电极表面时，这一过程就更难研究了，因为电极表面通常非常异质，质子有可能与许多不同的位点结合。为了克服这一障碍，麻省理工学院的研究小组开发出一种设计电极表面的方法，使他们能够更精确地控制电极表面的组成。他们的电极由石墨烯薄片组成，表面附着有机含环化合物。每个有机分子的末端都有一个带负电荷的氧离子，它可以接受周围溶液中的质子，从而使电子从电路流入石墨表面。Surendranath说："我们可以创造出一种电极，它不是由各种各样的位点组成，而是由单一类型的非常明确的位点组成的统一阵列，每个位点都能以相同的亲和力结合质子。由于我们拥有这些非常明确的位点，这让我们能够真正揭示这些过程的动力学"。利用这个系统，研究人员能够测量流向电极的电流，从而计算出平衡状态下质子向表面氧离子转移的速率--质子向表面捐赠的速率和质子从表面转移回溶液的速率相等的状态。他们发现，周围溶液的pH值对这一速率有显著影响：最高速率出现在pH值的两端--酸性最强的pH值为0，碱性最强的pH值为14。为了解释这些结果，研究人员根据电极可能发生的两种反应建立了一个模型。在第一种反应中，强酸性溶液中高浓度的氢离子（H3O+）将质子传递给表面的氧离子，生成水。在第二种情况下，水将质子传递给表面氧离子，生成氢氧根离子（OH-），氢氧根离子在强碱性溶液中浓度较高。不过，pH值为0时的速度比pH值为14时的速度快四倍，部分原因是氢离子释放质子的速度比水快。需要重新考虑的反应研究人员还惊奇地发现，这两个反应的速率并不是在中性pH值为7（氢铵和氢氧根的浓度相等）时相等，而是在pH值为10（氢氧根离子的浓度是氢铵的100万倍）时相等。该模型表明，这是因为涉及氢𬭩或水提供质子的前向反应比涉及水或氢氧化物去除质子的后向反应对总速率的贡献更大。研究人员说，关于这些反应如何在电极表面发生的现有模型假定，前向反应和后向反应对总速率的贡献相同，因此新发现表明，可能需要重新考虑这些模型。Surendranath说："这是默认的假设，即正向和逆向反应对反应速率的贡献相同。我们的发现确实令人大开眼界，因为这意味着人们用来分析从燃料电池催化到氢进化等一切问题的假设可能是我们需要重新审视的。"研究人员目前正在利用他们的实验装置研究向电极周围的电解质溶液中添加不同类型的离子会如何加快或减慢质子耦合电子流的速度。刘易斯说："通过我们的系统，我们知道我们的位点是恒定的，不会相互影响，因此我们可以读出溶液的变化对表面反应的影响。"编译自//scitechdaily...PC版：https://www.cnbeta.com.tw/articles/soft/1424095.htm手机版：https://m.cnbeta.com.tw/view/1424095.htm

麻省理工学院的新方法简化了复杂材料的构造过程

麻省理工学院的新方法简化了复杂材料的构造过程麻省理工学院和奥地利科学技术研究所的研究人员创建了一种技术，将许多不同的细胞超材料构建块纳入一个统一的基于图形的表示中。他们使用这种表示创建了一个用户友好的界面，工程师可以利用该界面快速轻松地对超材料建模、编辑结构并模拟其属性。图片来源：图片由LianeMakatura、BohanWang、BoleiDeng和WojciechMatusik提供细胞超材料——由以各种模式重复的单元或细胞组成的人造结构——可以帮助实现这些目标。但很难知道哪种细胞结构会产生所需的特性。即使人们关注的是由较小的构件（如互连梁或薄板）组成的结构，也有无数种可能的布置需要考虑。因此，工程师只能手动探索所有假设可能的细胞超材料中的一小部分。麻省理工学院和奥地利科学技术研究所的研究人员开发了一种计算技术，使用户可以更轻松地从任何较小的构建块中快速设计超材料单元，然后评估所得超材料的特性。他们的方法就像超材料的专用CAD（计算机辅助设计）系统一样，允许工程师快速对非常复杂的超材料进行建模，并对可能需要数天时间才能开发的设计进行实验。用户友好的界面还使用户能够探索潜在超材料形状的整个空间，因为所有构建块都可以使用。“我们提出了一种表示方法，可以涵盖工程师传统上感兴趣的所有不同形状。因为你可以用相同的方式构建它们，这意味着你可以在它们之间更流畅地切换，”麻省理工学院电气工程和计算机科学说研究生LianeMakatura，该技术论文的共同主要作者。Makatura与麻省理工学院博士后BohanWang共同撰写了这篇论文。Yi-LuChen，奥地利科学技术研究所（ISTA）研究生；BoleiDeng，麻省理工学院博士后；ISTA教授ChrisWojtan和BerndBickel；资深作者WojciechMatusik是麻省理工学院电气工程和计算机科学教授，领导麻省理工学院计算机科学和人工智能实验室的计算设计和制造小组。该研究将在SIGGRAPH上展示。统一方法当科学家开发细胞超材料时，她通常首先选择一种用于描述其潜在设计的表示形式。此选择决定了可用于探索的形状集。例如，她可能会选择一种使用许多互连梁来表示超材料的技术。然而，这阻止了她探索基于其他元素的超材料，例如薄板或球体等3D结构。这些形状由不同的表示形式给出，但到目前为止，还没有一种统一的方法来用一种方法描述所有形状。“通过提前选择特定的子空间，你会限制你的探索并引入基于你的直觉的偏见。虽然这可能很有用，但直觉可能是不正确的，并且对于您的特定应用来说，其他一些形状可能也值得探索，”Makatura说。她和她的合作者退后一步，仔细研究了不同的超材料。他们发现构成整体结构的形状可以很容易地用低维形状来表示——梁可以简化为线，或者薄壳可以压缩为平坦的表面。他们还注意到，细胞超材料通常具有对称性，因此只需要表示结构的一小部分。其余部分可以通过旋转和镜像最初的部分来构建。“通过结合这两个观察结果，我们得出了这样的想法：细胞超材料可以很好地表示为图形结构，”她说。通过基于图形的表示，用户可以使用由顶点和边创建的构建块来构建超材料骨架。例如，要创建梁结构，需要在梁的每个端点放置一个顶点，并用一条线将它们连接起来。然后，用户使用该线上的函数来指定梁的厚度，该厚度可以变化，以便梁的一部分比另一部分厚。曲面的过程类似-用户用顶点标记最重要的特征，然后选择一个求解器来推断曲面的其余部分。这些易于使用的求解器甚至允许用户快速构建高度复杂的超材料，称为三周期最小表面（TPMS）。这些结构非常强大，但开发它们的通常过程是艰巨的并且容易失败。“通过我们的展示，您还可以开始组合这些形状。也许同时包含TPMS结构和梁结构的单元可以为您提供有趣的特性。但到目前为止，这些组合还没有得到任何程度的探索，”她说。在该过程结束时，系统输出整个基于图形的过程，显示用户为达到最终结构而采取的每项操作-所有顶点、边、解算器、变换和加厚操作。在用户界面中，设计人员可以在构建过程中的任何点预览当前结构，并直接预测某些属性，例如其刚度。然后，用户可以迭代地调整一些参数并再次评估，直到达到合适的设计。研究人员使用他们的系统重新创建了跨越许多独特类别的超材料的结构。一旦他们设计好骨架，每个超材料结构只需几秒钟即可生成。他们还创建了自动探索算法，为每个算法提供了一套规则，然后在他们的系统中将其放开。在一项测试中，算法在大约一小时内返回了1000多个潜在的基于桁架的结构。此外，研究人员还对10名几乎没有超材料建模经验的人进行了一项用户研究。用户能够成功地对他们给出的所有六种结构进行建模，并且大多数人都认为程序图表示使过程变得更容易。“我们的代表让人们更容易接触到各种结构。我们对用户生成TPMS的能力感到特别满意。即使对于专家来说，这些复杂的结构通常也很难生成。尽管如此，我们研究中的一种TPMS在所有六种结构中具有最低的平均建模时间，这令人惊讶且令人兴奋，”她说。未来，研究人员希望通过结合更复杂的骨骼增厚程序来增强他们的技术，以便该系统可以模拟更广泛的形状。他们还想继续探索自动生成算法的使用。从长远来看，他们希望使用该系统进行逆向设计，其中指定所需的材料属性，然后使用算法来找到最佳的超材料结构。...PC版：https://www.cnbeta.com.tw/articles/soft/1389329.htm手机版：https://m.cnbeta.com.tw/view/1389329.htm

麻省理工学院开发“面具”来保护图像免遭人工智能操纵

麻省理工学院开发“面具”来保护图像免遭人工智能操纵麻省理工学院的科学家们创造了一种本质上是防护罩的东西，能够防止这些模型操纵图像。这些遮罩对于人眼来说是不可见的，当与生成人工智能图像模型交互时，会导致输出出现扭曲。研究人员在一篇论文中写道:“通过在对手访问原始图像之前对其进行免疫，我们破坏了他们成功执行此类编辑的能力。”PhotoGuard可以在MIT许可下通过GitHub访问——这意味着它可以用于商业用途，但需要保留版权和许可声明。图片来源:麻省理工学院据了解，PhotoGuard的目的是改进Deepfake检测。其背后的团队认为，虽然水印方法确实有效，但它们并不能保护图像免遭“首先被操纵”。PhotoGuard旨在补充水印保护，以“破坏人工智能扩散模型的内部运作”。随着DALL-E和稳定扩散等人工智能图像模型的使用变得越来越普遍，滥用的情况似乎也越来越多，尤其是在社交媒体中。罗恩·德桑蒂斯的选举团队使用人工智能处理的前总统特朗普拥抱福奇博士的图像的案例显示了可能出现问题的早期迹象。检测人工智能生成的作品的需求正在不断增加——虽然对于那些受过训练的人来说，人工智能生成的图像很容易被发现，但一些研究团队正在努力让它变得更容易。以DALL-E和ChatGPT制造商OpenAI为例，该公司本周承诺继续研究确定一段音频或视频内容是否由人工智能生成的方法，尽管该承诺是在其因性能不佳而关闭其文本检测工具后做出的。...PC版：https://www.cnbeta.com.tw/articles/soft/1373793.htm手机版：https://m.cnbeta.com.tw/view/1373793.htm

麻省理工学院首次控制量子随机性

麻省理工学院首次控制量子随机性想象一下，平静的海面突然起了波浪--这与量子层面的真空中发生的情况类似。在此之前，科学家们已经利用这些波动生成了随机数。它们也是量子科学家在过去一百年中发现的许多迷人现象的原因。利用真空波动生成可调谐随机数的实验装置。图片来源：CharlesRoques-Carmes、YannickSalamin麻省理工学院博士后CharlesRoques-Carmes和YannickSalamin、麻省理工学院教授MarinSoljačić和JohnJoannopoulos及其同事最近在《科学》（Science）杂志上发表了一篇论文，对上述发现进行了描述。传统上，计算机以确定性的方式运行，按照一系列预定义的规则和算法逐步执行指令。在这种模式下，如果多次运行相同的操作，总会得到完全相同的结果。这种确定性方法为我们的数字时代打下了基础，但也有其局限性，尤其是在模拟物理世界或优化复杂系统时，这些任务往往涉及大量的不确定性和随机性。从量子真空中生成可调随机数的艺术插图。图片来源：陈磊这就是概率计算概念发挥作用的地方。概率计算系统利用某些过程的内在随机性来执行计算。它们不会只提供一个"正确"的答案，而是提供一系列可能的结果，每个结果都有其相关的概率。这使它们非常适合模拟物理现象和解决优化问题，因为在这些问题中可能存在多种解决方案，而对各种可能性的探索可以找到更好的解决方案。工作的主要作者之一CharlesRoques-Carmes博士正在操作实验系统。图片来源：AnthonyTulliani然而，概率计算的实际应用在历史上一直受到一个重大障碍的阻碍：缺乏对量子随机性相关概率分布的控制。不过，麻省理工学院团队开展的研究揭示了一种可能的解决方案。具体来说，研究人员已经证明，向光学参量振荡器（一种自然生成随机数的光学系统）注入微弱的激光"偏压"，可以作为"偏压"量子随机性的可控源。"尽管对这些量子系统进行了广泛的研究，但非常微弱的偏置场的影响尚未得到探索，"该研究的研究员CharlesRoques-Carmes说。"我们发现的可控量子随机性不仅让我们能够重新审视量子光学中已有几十年历史的概念，而且还为概率计算和超精确场传感开辟了潜力。"该团队成功展示了操纵与光参量振荡器输出状态相关的概率的能力，从而创造了有史以来第一个可控光子概率位（p-bit）。此外，该系统还显示出对偏置场脉冲时间振荡的敏感性，甚至远低于单光子水平。工作的主要作者之一YannickSalamin博士正在操作实验系统。资料来源：AllysonMacBasino团队另一位成员YannickSalamin说："我们的光子p比特生成系统目前可以每秒生成10,000个比特，每个比特都可以遵循任意的二项分布。我们预计，这项技术将在未来几年不断发展，从而产生更高速率的光子p位，并实现更广泛的应用。"麻省理工学院的MarinSoljačić教授强调了这项工作的广泛意义："通过使真空波动成为可控元素，我们正在推动量子增强概率计算的发展。在组合优化和晶格量子色动力学模拟等领域模拟复杂动力学的前景非常令人兴奋"。...PC版：https://www.cnbeta.com.tw/articles/soft/1382749.htm手机版：https://m.cnbeta.com.tw/view/1382749.htm