EPFL的科学家们表明，即使是几个简单的例子也足以让量子机器学习模型，即“量子神经网络”，学习和预测量子系统的行为，使我们更接近量子计算的新时代。
想象一下这样一个世界:计算机可以解开量子力学的奥秘，使我们能够研究复杂材料的行为，或者以前所未有的精度模拟分子的复杂动力学。
多亏了佐伊·霍姆斯教授和她在EPFL的团队领导的一项开创性研究，我们现在离成为现实更近了一步。他们与加州理工学院、柏林自由大学和洛斯阿拉莫斯国家实验室的研究人员合作，发现了一种教量子计算机如何理解和预测量子系统行为的新方法。这项研究发表在《自然通讯》杂志上。
量子神经网络(QNNs)
研究人员致力于“量子神经网络”(QNNs)，这是一种机器学习模型，旨在利用受量子力学启发的原理来学习和处理信息，以模仿量子系统的行为。
就像人工智能中使用的神经网络一样，qnn由相互连接的节点或“神经元”组成，用于执行计算。不同之处在于，在量子神经网络中，神经元根据量子力学原理运作，允许它们处理和操纵量子信息。
“通常，当我们教计算机一些东西时，我们需要很多例子，”霍姆斯说。“但在这项研究中，我们表明，只需几个被称为‘产品状态’的简单例子，计算机就可以学习量子系统的行为，即使在处理纠缠态时也是如此，而纠缠态更复杂，更难以理解。”
产品状态
科学家们使用的“产品状态”指的是量子力学中的一个概念，它描述了量子系统的特定状态类型。例如，如果一个量子系统是由两个电子组成的，那么当每个电子的状态被单独考虑，然后结合起来时，它的产物状态就形成了。
产品状态通常被用作量子计算和测量的起点，因为它们为研究和理解量子系统的行为提供了一个更简单、更易于管理的框架，然后再移动到更复杂和纠缠的状态，其中粒子是相关的，不能独立描述。
未来将有更好的量子计算机
研究人员证明，通过仅使用这些简单示例中的几个训练qnn，计算机可以有效地掌握纠缠量子系统的复杂动态。
霍尔姆斯解释说:“这意味着(我们)可能能够使用更小、更简单的计算机来学习和理解量子系统，比如我们可能在未来几年拥有的短期中间规模(NISQ)计算机，而不是需要大型复杂的计算机，这可能需要几十年的时间。”
这项工作还为使用量子计算机解决诸如研究复杂新材料或模拟分子行为等重要问题开辟了新的可能性。
最后，该方法通过创建更短、更防错误的程序来提高量子计算机的性能。通过了解量子系统的行为方式，我们可以简化量子计算机的编程，从而提高效率和可靠性。霍尔姆斯说:“我们可以让量子计算机的程序更短，更不容易出错，从而使量子计算机变得更好。”
