有望應用于發覺新的多體化學性質、了解未知分子結構等領域
該研究結果明晰地詮釋了量子機器可比任何精典機器量子通訊的原理，都愈發有效地學習化學世界的運作法則，通過這項最基本的學習問題（建構一個未知多體系統的模型）中所獲得的物理技術，研究人員證明了量子學習機器在許多其他的學習問題（主成分剖析、學習數學演變）也都具有指數級的加速。
其中量子通訊的原理，在量子處理器上使用多達40個量子位的原理驗證實驗中，該團隊在最知名的精典下限上，實現了所需實驗數目的幾乎4個數目級的降低。
該論文第一作者兼共同通信作者、加州理工大學估算與物理科學系博士生表示，“我們考慮了一個最基本的學習問題，給定一個未知的多體化學系統，透過實驗去建構這個系統的模型，可使用該模型來預測這個未知系統的各類性質。”
圖丨量子提高實驗和常規實驗的圖示(來源：)
盡管該研究仍處于基礎的研究階段，但該成果展示了量子人工智能技術怎么幫助科學家更有效地通過實驗學習數學系統的性質。“隨著量子科技的進步，我相信這項成果會為量子機器學習帶來新的方向。有望應用于發覺新的多體化學性質、了解未知分子的結構、設計更好的抗生素、催化劑、材料、電池等。”他說。
每位電子可看作一個量子位元，在該實驗中，考慮到一個多電子系統，電子之間有一些精典的關聯（假如某一個電子朝上，那另一電子必將朝下等）。而她們希望可以透過最少次的實驗去建構這個系統的模型，來預測電子之間的關聯。
該團隊通過物理證明學習問題對于精典學習機器須要指數大的實驗，并且對于一個量子學習機器則十分簡單。“其中最重要的概念是，量子機器可存放資訊于量子記憶體中，并對于這種量子資訊進行量子估算。這促使我們更清晰地看見多電子系統中，不同電子之間的精典關聯。”表示。
圖丨學習數學狀態的量子優勢(來源：)
實際上，該團隊最想確認的問題在于，量子計算機是否可以擁有更強悍的學習能力。其實往年研究在該方面進行了大量探求，然而結果依然十分不明朗。一開始，有學者推測量子計算機可以在好多的機器學習問題上（如推薦系統、分類問題、主成份剖析等）獲得指數級的加速，并提出了各類量子演算法。
然而過去幾年，從芝加哥學院理論計算機科學系博士生唐伊文（譯音，）開始的一系列進展，一些學者發覺在好多的問題上，可設計更好的精典機器學習算法。而相較于那些更好的精典演算法，許多已知的量子演算法并不具有指數級加速。
圖丨學習化學動力學的量子優勢(來源：)
除此之外，的開源量子物理AI模型DM21等近日的技術進展，一再展現了精典機器學習算法在量子多體化學問題（如分子結構、基態性質等）的有效性。
這不禁讓人們開始懷疑，量子計算機在學習能力上，包括古典問題、如分類貓與狗，或量子問題、如預測分子結構等方面，會不會難以得到十分明顯的優勢？表示：“這次研究，我們期望可以愈發了解量子機器是否能擁有比精典機器。（包括現有的筆記本以及人腦等）更強悍的學習能力。而我們給出的物理證明及完成的化學實驗，否認了量子機器的確擁有更強大的學習能力。”
未來的人工智能將基于量子估算
專科結業于日本學院，他學院時期的主要研究方向是精典機器學習、以及深度學習。確認要在量子估算方向精耕的抓手是在大四時接觸到量子估算后，他了解到量子估算從本質上來看，具有比精典估算更強的估算能力，且學習能力和估算能力有很強的正相關。
“我相信未來的人工智能必將是基于量子估算而非古典估算，盡管量子估算仍處于十分實驗性的階段，我覺得通過物理剖析及操作這種現有的量子計算機，便可以開始探求這種量子人工智能到底可以比精典人工智能強上多少、強在那兒。”他說。