在可以預見的未來，會有更多的技術會利用量子力學。 這些技術可能包括使用量子資訊作為輸入和輸出數據的設備，由於固有的不確定性，這些設備需要仔細驗證。 如果設備的輸出取決於過去的輸入，那麼驗證就更具挑戰性。 現在研究人員首次利用機器學習，通過納入這些系統中存在的某種記憶效應，極大地提高了對時間依賴性量子設備的驗證效率。

量子計算機成為科學媒體的頭條新聞，但這些機器被大多數專家認為仍處於起步階段。 然而，一個量子互聯網可能離現在更近一些。 與我們目前的互聯網相比，這將提供顯著的安全優勢，以及其他方面。 但即使是這樣，也將依賴於那些尚未在實驗室外看到曙光的技術。 雖然可以創造我們的量子互聯網的設備的許多基本原理可能已經被研究出來，但要實現這些產品，還有許多工程挑戰。 但許多研究正在進行中，以創建設計量子設備的工具。

來自東京大學資訊科學與技術研究生院的博士後研究員 Quoc Hoan Tran 和副教授 Kohei Nakajima 開創了一種工具，他們認為這可以使驗證量子設備的行為成為比目前更有效和更精確的工作。 他們的貢獻是一種演算法，可以通過簡單地學習量子輸入和輸出之間的關係來重建時間依賴性的量子設備的工作原理。 這種方法在探索一個經典的物理系統時其實是很常見的，但量子資訊的存儲一般都很棘手，這通常使其無法實現。

Tran 說：「基於輸入和輸出來描述一個量子系統的技術被稱為量子過程斷層掃描。 然而，許多研究人員現在報告說，他們的量子系統表現出某種記憶效應，即現在的狀態受到以前狀態的影響。 這意味著對輸入和輸出狀態的簡單檢查不能描述系統的時間依賴性質。 你可以在每一次時間變化后重複建立系統模型，但這在計算上將是極其低效的。 我們的目的是接受這種記憶效應，並將其用於我們的優勢，而不是用蠻力來克服它”

Tran 和 Nakajima 求助於機器學習和一種叫做量子存儲庫計算（quantum reservoir computing）的技術來建立他們的新演算法。 這可以學習量子系統中隨時間變化的輸入和輸出模式，並有效地猜測這些模式將如何變化，甚至在演算法尚未見證的情況下。 由於它不需要像更多的經驗方法那樣知道量子系統的內部運作，而只需要知道輸入和輸出，該團隊的演算法可以更簡單，也可以更快地產生結果。

Tran 說：「目前，我們的演算法可以模擬某種量子系統，但假設的設備在處理能力上可能差別很大，而且有不同的記憶效果。 因此，下一階段的研究將是擴大我們演算法的能力，基本上使一些東西更通用，從而更有用。 我對量子機器學習方法能做什麼，對它們可能導致的假設設備感到興奮”。