5.3.2 量子机器学习：哈密顿量学习、相变识别、蒙特卡洛加速

文档摘要

5.3.2 量子机器学习：哈密顿量学习、相变识别、蒙特卡洛加速在量子计算与机器学习交汇的锋线上，我们正经历一场静默却剧烈的范式迁移——它不靠摩尔定律的惯性推进，而源于对物理世界底层结构的重新建模。当传统蒙特卡洛方法在高温超导材料的相图边缘踟蹰不前，当冷原子晶格中未知哈密顿量的参数像雾中碑文般难以辨识，当自旋玻璃系统在临界点附近拒绝给出清晰的序参量信号，量子机器学习（Quantum Machine Learning, QML）不再仅是理论物理学家案头的思辨玩具；它已悄然成为实验平台上的扳手、模拟器中的探针、以及高维希尔伯特空间里的导航仪。本节聚焦的“5.3.