量子计算机也许有一天能解决目前最大的超级计算机都无法解决的算法问题。但如何测试量子计算机以确保其工作可靠呢?根据算法任务的不同，这可能是一个简单的认证问题，也可能是一个非常困难的认证问题。一个国际研究团队使用弗莱堡大学开发的统计方法，在解决这一难题的一个复杂变体方面迈出了重要的一步。他们的研究结果发表在最新一期的自然光子学．
他们举的一个困难的认证问题的例子是，在光子经过几个光学元件的确定排列后，对确定数量的光子进行排序。这种安排为每个光子提供了许多传输路径——这取决于光子是被反射还是被光学元件传输。该任务是预测光子在指定点离开排列的概率，对于光子在排列入口的给定位置。随着光学排列的尺寸和发送的光子数量的增加，可能路径的数量和光子在末端的分布急剧增加，这是量子力学基础的不确定性原理的结果——因此，使用我们今天可用的计算机无法预测确切的概率。物理原理表明，不同类型的粒子——比如光子或电子——应该产生不同的概率分布。但是，在无法进行精确计算的情况下，科学家如何区分这些分布和不同的光学排列呢?
来自罗马、米兰的研究人员在弗莱堡开发的方法;微软、美国;巴黎和弗莱堡现在第一次使在不可测量的概率分布中识别特征统计特征成为可能。而不是一个完整的“指纹”，他们能够从数据集中提取信息，这些信息被简化以使它们可用。利用这些信息，他们能够区分不同的粒子类型和光学排列的独特特征。该团队还表明，利用已有的机器学习技术，可以改进这种蒸馏过程，在这种技术中，物理学提供了应该用于寻找相关模式的数据集的关键信息。由于这种方法对更大数量的粒子更加准确，研究人员希望他们的发现能让我们在解决认证问题上迈出关键的一步。
了下:快速原型
