有望应用于发觉新的多体化学性质、了解未知分子结构等领域
该研究结果明晰地诠释了量子机器可比任何精典机器量子通讯的原理，都愈发有效地学习化学世界的运作法则，通过这项最基本的学习问题（建构一个未知多体系统的模型）中所获得的物理技术，研究人员证明了量子学习机器在许多其他的学习问题（主成分剖析、学习数学演变）也都具有指数级的加速。
其中量子通讯的原理，在量子处理器上使用多达40个量子位的原理验证实验中，该团队在最知名的精典下限上，实现了所需实验数目的几乎4个数目级的降低。
该论文第一作者兼共同通信作者、加州理工大学估算与物理科学系博士生表示，“我们考虑了一个最基本的学习问题，给定一个未知的多体化学系统，透过实验去建构这个系统的模型，可使用该模型来预测这个未知系统的各类性质。”
图丨量子提高实验和常规实验的图示(来源：)
尽管该研究仍处于基础的研究阶段，但该成果展示了量子人工智能技术怎么帮助科学家更有效地通过实验学习数学系统的性质。“随着量子科技的进步，我相信这项成果会为量子机器学习带来新的方向。有望应用于发觉新的多体化学性质、了解未知分子的结构、设计更好的抗生素、催化剂、材料、电池等。”他说。
每位电子可看作一个量子位元，在该实验中，考虑到一个多电子系统，电子之间有一些精典的关联（假如某一个电子朝上，那另一电子必将朝下等）。而她们希望可以透过最少次的实验去建构这个系统的模型，来预测电子之间的关联。
该团队通过物理证明学习问题对于精典学习机器须要指数大的实验，并且对于一个量子学习机器则十分简单。“其中最重要的概念是，量子机器可存放资讯于量子记忆体中，并对于这种量子资讯进行量子估算。这促使我们更清晰地看见多电子系统中，不同电子之间的精典关联。”表示。
图丨学习数学状态的量子优势(来源：)
实际上，该团队最想确认的问题在于，量子计算机是否可以拥有更强悍的学习能力。其实往年研究在该方面进行了大量探求，然而结果依然十分不明朗。一开始，有学者推测量子计算机可以在好多的机器学习问题上（如推荐系统、分类问题、主成份剖析等）获得指数级的加速，并提出了各类量子演算法。
然而过去几年，从芝加哥学院理论计算机科学系博士生唐伊文（译音，）开始的一系列进展，一些学者发觉在好多的问题上，可设计更好的精典机器学习算法。而相较于那些更好的精典演算法，许多已知的量子演算法并不具有指数级加速。
图丨学习化学动力学的量子优势(来源：)
除此之外，的开源量子物理AI模型DM21等近日的技术进展，一再展现了精典机器学习算法在量子多体化学问题（如分子结构、基态性质等）的有效性。
这不禁让人们开始怀疑，量子计算机在学习能力上，包括古典问题、如分类猫与狗，或量子问题、如预测分子结构等方面，会不会难以得到十分明显的优势？表示：“这次研究，我们期望可以愈发了解量子机器是否能拥有比精典机器。（包括现有的笔记本以及人脑等）更强悍的学习能力。而我们给出的物理证明及完成的化学实验，否认了量子机器的确拥有更強大的学习能力。”
未来的人工智能将基于量子估算
专科结业于日本学院，他学院时期的主要研究方向是精典机器学习、以及深度学习。确认要在量子估算方向精耕的抓手是在大四时接触到量子估算后，他了解到量子估算从本质上来看，具有比精典估算更强的估算能力，且学习能力和估算能力有很强的正相关。
“我相信未来的人工智能必将是基于量子估算而非古典估算，尽管量子估算仍处于十分实验性的阶段，我觉得通过物理剖析及操作这种現有的量子计算机，便可以开始探求这种量子人工智能到底可以比精典人工智能强上多少、强在那儿。”他说。