假设有人——我们称她为爱丽丝——有一本秘密书想要销毁，所以她把它扔进了一个方便的黑洞。鉴于黑洞是自然界中最快的搅乱器，就像巨型垃圾粉碎机一样，爱丽丝的秘密一定很安全，对吧？
现在假设她的死敌鲍勃拥有一台与黑洞纠缠的量子计算机。（在纠缠的量子系统中，对一个粒子执行的动作也会类似地影响其纠缠伙伴，无论距离远近，甚至是否有些粒子消失在黑洞中。）
帕特里克·海登和约翰·普雷斯基尔的一个著名思想实验表明，鲍勃可以观察到从黑洞边缘泄漏出来的少量光粒子。然后，鲍勃可以将这些光子作为量子比特（量子计算的基本处理单元）通过他的量子计算机的门运行，以揭示搅乱爱丽丝文本的特定物理学原理。由此，他可以重建这本书。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保未来能够继续讲述关于塑造我们今天世界的发现和想法的具有影响力的故事。
但没那么快。
我们最近关于量子机器学习的研究表明，爱丽丝的书可能毕竟永远消失了。
量子计算机用于研究量子力学
爱丽丝可能永远没有机会将她的秘密藏在黑洞中。尽管如此，我们关于信息搅乱的新不可行定理在理解量子机器学习、量子热力学和量子信息科学等快速扩张领域中的随机和混沌系统方面具有实际应用。
理查德·费曼，20世纪最伟大的物理学家之一，在1981年的演讲中开创了量子计算领域，当时他提出开发量子计算机作为模拟量子系统的自然平台。否则，它们将非常难以研究。
我们在洛斯阿拉莫斯国家实验室的团队，以及其他合作者，一直专注于研究量子计算机的算法，特别是机器学习算法——有些人喜欢称之为人工智能。这项研究揭示了哪些算法可以在现有的嘈杂的中等规模量子计算机上完成实际工作，以及量子力学中尚未解决的重大问题。
特别是，我们一直在研究变分量子算法的训练。它们建立了一个解决问题的地形，其中山峰代表系统或问题的高能量（不良）点，而山谷是低能量（理想）值。为了找到解决方案，该算法会在数学地形中逐步搜索，一次检查一个特征。答案就在最深的山谷中。
纠缠导致搅乱
我们想知道是否可以应用量子机器学习来理解搅乱。当由许多粒子或原子组成的系统中纠缠增加时，就会发生这种量子现象。将该系统的初始条件视为一种信息——例如爱丽丝的书。随着量子系统中粒子之间纠缠的增长，信息会广泛传播；这种信息的搅乱是理解量子混沌、量子信息科学、随机电路和一系列其他主题的关键。
黑洞是终极搅乱器。通过在与黑洞纠缠的理论量子计算机上使用变分量子算法探索它，我们可以探测量子机器学习的可扩展性和适用性。我们还可以了解一些关于量子系统的新知识。我们的想法是使用变分量子算法，该算法将利用泄漏的光子来了解黑洞的动力学。该方法将是一个优化过程——再次，在数学地形中搜索以找到最低点。
如果我们找到了它，我们将揭示黑洞内部的动力学。鲍勃可以使用该信息来破解搅乱器的代码并重建爱丽丝的书。
现在问题的关键来了。海登-普雷斯基尔思想实验假设鲍勃可以确定搅乱信息的黑洞动力学。相反，我们发现搅乱的本质阻止了鲍勃学习这些动力学。
停滞在贫瘠的平原上
原因如下：该算法停滞在贫瘠的平原上，这在机器学习中就像听起来一样糟糕。在机器学习训练期间，贫瘠的平原代表算法所能看到的完全平坦的解决问题的空间。在这个没有特征的地形中，算法找不到向下的斜坡；没有通往能量最小值的清晰路径。该算法只是空转，无法学习任何新东西。它无法找到解决方案。
我们由此产生的不可行定理表明，任何量子机器学习策略在应用于未知的搅乱过程时都会遇到可怕的贫瘠平原。
好消息是，大多数物理过程不像黑洞那样复杂，而且我们通常会预先了解它们的动力学，因此不可行定理并没有否定量子机器学习。我们只需要仔细选择我们应用它的问题。而且我们不太可能很快需要量子机器学习来窥探黑洞内部以了解爱丽丝的书——或任何其他东西。
因此，爱丽丝可以放心，她的秘密毕竟是安全的。
这是一篇观点和分析文章，作者或多位作者表达的观点不一定代表《大众科学》的观点。