物理学生花了多年学习，掌握量子力学的经常对逆行的法律和影响。例如，可以未确定物理系统的量子状态，直到进行测量，并且系统的一部分上的测量可以影响远处部分的状态而不进行任何信息。这足以让头脑陷入困境。一旦学生毕业并开始进行研究，问题仍然存在：要确定在实验中的某些量子系统的状态，一个人必须仔细准备它并进行大量测量，一遍又一遍。
通常，一个人真正感兴趣的东西甚至无法直接衡量。国际领导的研究小组朱塞佩Carleo,讲师苏黎世联邦理工学院的理论物理研究所,已经开发了机器学习软件,使计算机能够“学习”的量子态复杂物理系统基于实验观察和预测假设测量的结果。在未来，他们的软件可以用来测试量子计算机的准确性。
量子物理学和手写
Carleo解释说，他的方法的原理相当简单。他使用了一个直观的类比，避免了量子物理学的复杂性:“简而言之，我们所做的，就像教计算机模仿我的笔迹。我们会给它看一堆书面样本，然后一步步地它会学会复制我所有的a、l等等。”
计算机所做的方式是通过查看方式，例如，在遵循“a”时写入“l”。这些可能并不总是相同的，因此计算机将计算在数学上表达的概率分布，当它在某些其他字母之前以某种方式以某种方式编写的频率分布。“一旦电脑弄清楚分布，它可以再现出看起来非常像我的笔迹的东西，”卡莱洛说。
当然，量子物理学比一个人的笔迹复杂得多。尽管如此，Carleo(他最近搬到了纽约熨蒂龙研究所)和Matthias Troyer，来自于ETH的Guglielmo Mazzola和滑铁卢大学的Giacomo Torlai以及周界研究所和加拿大D-Wave公司的同事都使用了非常相似的机器学习算法。
物理系统的量子状态在所谓的神经网络中编码，并且通过将网络的当前状态转换为预测的测量概率来实现学习。然后将这些概率与实际测量数据进行比较，并且对网络进行调整，以使其在下一轮中更好地匹配。一旦完成了这种训练期，就可以使用存储在神经网络中的量子状态“虚拟”实验，而无需在实验室中执行它们。
Quantum States更快的断层扫描
Carleo解释说:“使用机器学习从测量数据中提取量子态有很多优点。”他引用了一个引人注目的例子，在这个例子中，只有8个量子物体(被捕获的离子)的量子态必须通过实验来确定。使用一种叫做量子断层扫描的标准方法，大约需要100万次测量才能达到预期的精度。有了这种新方法，更少的测量数据就可以完成同样的工作，而且以前无法实现的更大的系统也可以被研究。
这是令人鼓舞的，因为常见的智慧使得在经典计算机上模拟复杂量子系统所需的计算次数以呈指数呈指数呈指数呈现系统中的量子对象的数量。这主要是因为一种称为纠缠的现象，这导致量子系统的距离部分密切连接，尽管它们不交换信息。Carleo和他的合作者使用的方法通过使用一层“隐藏的”神经元来考虑这一点，这使得计算机以更紧凑的方式编码正确的量子状态。
测试量子计算机
能够研究具有大量组件的量子系统 - 或“QUBITS”，因为它们通常被称为对未来量子技术的重要意义，因为Carleo指出：“如果我们想要测试多个超过a的量子计算机handful of qubits, that won’t be possible with conventional means because of the exponential scaling. Our machine learning approach, however, should put us in a position to test quantum computers with as many as 100 qubits.”
此外，机器学习软件可以帮助实验物理学家进行虚拟测量，这在实验室中是很难做到的，比如测量由许多相互作用的量子位元组成的系统的纠缠度。到目前为止，该方法只在人工生成的数据上进行了测试，但研究人员计划很快将其用于分析真实的量子实验。
了下:快速原型
