《物理评论A》

研究提出基于期望值的量子几何框架

近日，美国迈阿密大学的Chaoming Song等人提出了基于期望值的量子几何框架。相关研究成果6月9日发表于《物理评论A》。

该研究团队提出了一个关于任意一组算符期望值的量子几何框架，并建立了这种几何与由这些算符生成的哈密顿族的本征态之间的联系。研究人员揭示了基态的期望值空间边界，从而提供了一种自然界限，推广了海森堡的不确定性原理。

为了验证该框架的多功能性，研究人员提出了几个实际应用，其中包括违反贝尔不等式的更强非线性量子界限和密度泛函的显式构造。这种方法提供了一种替代的时间无关量子表述，将高维希尔伯特空间中的线性问题转化为低维非线性代数几何问题，从而让研究人员能够对量子系统获得新的洞见。

相关论文信息：

https://doi.org/10.1103/PhysRevA.107.062207

科学家利用混合量子-经典机器学习框架量化纠缠

近日，清华大学交叉信息研究院的林小蝶与丘成桐数学科学中心的魏朝晖等人利用混合量子-经典机器学习框架量化纠缠。相关研究成果6月9日发表于《物理评论A》。

该研究团队对这两种不同的机器学习方法的性能进行了系统比较。首先，研究人员表明基于矩的方法相对于基于关联数据的方法具有明显的优势，尽管测量矩的成本要高得多。

接下来，由于关联数据在实验中更容易获取，他们尝试通过提出一个混合的量子-经典机器学习框架来改进性能。在这个框架中，关键是训练最佳的局部测量，甚至是最佳的单比特观测的张量积，以生成更具信息量的关联数据。

数值模拟结果显示，这个新的混合框架在量化纠缠方面的性能与基于矩的方法相当，并且进一步研究发现，在处理现实的关联数据时，这个新的混合框架具有很好的抗噪声能力。

据悉，量化密度矩阵未知量子态中的纠缠是一项困难的任务，但由于量子工程的快速发展，这一任务变得越来越必要。机器学习为这一基本问题提供了实用的解决方案，需要训练一个合适的机器学习模型，基于可测量的实验数据，如密度矩阵的矩或由局部测量产生的关联数据，来预测未知量子态的纠缠度量。

相关论文信息：

https://doi.org/10.1103/PhysRevA.107.062409

《自然-遗传学》

在单细胞分辨率下绘制先天免疫反应的个体间动力学

英国威康桑格研究所Sarah A. Teichmann和Tzachi Hagai研究团队合作，在单细胞分辨率下绘制了先天免疫反应的个体间动力学。相关研究成果6月12日发表于《自然-遗传学》。

研究人员在来自68个健康供体的人类成纤维细胞中触发了抗病毒反应，并使用单细胞RNA测序对数万个细胞进行分析。他们开发了GASPACHO（利用细胞异质性进行关联映射的高斯过程），这是一种旨在识别细胞转录轨迹中非线性动态遗传效应的统计方法。该方法确定了在应答过程中出现的1275个表达数量性状位点（局部错误发现率为10%），其中许多位点与感染性和自身免疫性疾病全基因组关联研究发现的易感位点共定位，包括COVID-19易感位点中的OAS1剪接数量性状位点。

该研究分析方法提供了一个独特的框架，来描绘在单细胞分辨率下形成广泛转录反应的遗传变异。

据了解，个体间常见的遗传变异可调节细胞对病原体的反应，并与多种免疫病理有关，但它们如何动态改变感染后的反应尚不清楚。

相关论文信息：

https://doi.org/10.1038/s41588-023-01421-y