想像一下這樣一個世界，計算機可以揭開量子力學的神秘面紗，使我們能夠研究複雜材料的行為或以前所未有的精度模擬分子的複雜動力學。研究人員通過展示量子神經網絡如何利用一些簡單的”直積態”來理解和預測量子系統，在量子計算方面取得了關鍵性的進展，未來有可能迎來更高效和可靠的量子計算機。

一項突破性的研究確定了一種新的方法，使量子計算機只用幾個簡單的例子就能理解和預測量子系統。這項研究使用了量子神經網絡（QNNs），這是模仿量子系統行為的機器學習模型。與需要大量實例的傳統學習模型相比，QNNs使用一些”直積態”，這是更簡單和更容易管理的量子狀態的形式。

得益於Zoe Holmes教授和她在EPFL的團隊領導的一項開創性研究，這種場景距離我們更接近於成為現實。他們與加州理工學院、柏林自由大學和洛斯阿拉莫斯國家實驗室的研究人員合作，發現了一種新的方法，可以教量子計算機如何理解和預測量子系統的行為，即使只有幾個簡單的例子。

研究人員研究了”量子神經網絡”（QNNs），這是一種機器學習模型，旨在利用受量子力學啟發的原理學習和處理信息，以模仿量子系統的行為。

就像人工智能中使用的神經網絡一樣，QNNs由相互連接的節點或”神經元”組成，用於進行計算。不同的是，在QNNs中，神經元根據量子力學的原理進行操作，使它們能夠處理和操縱量子信息。

“通常情況下，當我們教計算機一些東西時，我們需要大量的例子，”霍姆斯說。”但在這項研究中，只需幾個簡單的例子，稱為’直積態’，計算機就能學會量子系統的行為方式，即使是在處理糾纏狀態時也是如此，因為糾纏狀態更加複雜，對理解也有挑戰性。”

科學家們使用的’直積態’指的是量子力學中的一個概念，它描述了一個量子系統的具體狀態類型。例如，如果一個量子系統是由兩個電子組成的，那麼當每個單獨的電子的狀態被獨立考慮，然後結合起來時，它的直積態就形成了。

乘積態經常被用作量子計算和測量的起點，因為它們提供了一個更簡單和更容易管理的框架來研究和理解量子系統的行為，然後再進入更複雜和糾纏的狀態，其中粒子是相關的，不能被獨立描述。

研究人員證明，通過只用這些簡單的例子訓練QNN，計算機可以有效地掌握糾纏的量子系統的複雜動力學。

霍姆斯解釋說：”這意味著也許能夠用更小、更簡單的計算機來學習和理解量子系統，比如我們在未來幾年可能擁有的近期中間規模[NISQ]計算機，而不是需要大型和復雜的計算機，這可能是幾十年後的事情。”

這項工作還為使用量子計算機解決重要問題開闢了新的可能性，如研究複雜的新材料或模擬分子的行為。

最後，該方法通過使創建更短和更抗錯的程序來提高量子計算機的性能。通過學習量子系統的行為方式，我們可以簡化量子計算機的編程，從而提高效率和可靠性。我們可以通過使量子計算機的程序更短、更不容易出錯來使其變得更好。