在不久的将来，利用了量子力学行为的新型技术可能会变得司空见惯。这些可能使用了量子信息作为输入和输出数据的设备，由于其固有的不确定性，这些设备需要进行仔细验证。当输出取决于过去的输入时，如果设备依赖于时间，则验证起来更具挑战性。最近，研究人员首次使用机器学习通过结合量子系统中存在的某些记忆效应，显着提高了时间相关量子设备的验证效率。

量子计算机已成为科技新闻媒体的头条常客，但大多数专家认为这些机器仍处于起步阶段。然而，量子互联网可能离现在更近一点。与我们当前的互联网相比，量子互联网将提供显着的安全优势。但即便如此，它也依赖于在实验室外尚未见到曙光的技术。虽然可以创建量子互联网设备的许多基础知识可能已经具备，但要将它变成现实产品还有许多的工程挑战。不过，研究人员现在正在进行大量研究以创建用于设计量子设备的工具。

近日，发表在《物理评论快报》上的一篇研究论文中，来自东京大学信息科学与技术研究生院的博士后研究员Quoc Hoan Tran和Kohei Nakajima副教授开创了这样一种工具，他们认为这种工具能让量子装置的行为以更有效和更精确的方式得到验证。他们开发的工具是一种算法，可以通过简单地学习量子输入和输出间的关系来重建与时间相关的量子设备的工作原理。在探索经典物理系统时，这种方法实际上很常见的，但由于量子信息一般很难保存下来，这使该方法通常是不可能的。

Tran说：“基于输入和输出来描述量子系统的技术被称为量子过程断层扫描。然而，现在有许多研究人员报告说，他们的量子系统表现出某种记忆效应，其中的当前状态会受到先前状态的影响。这意味着对输入和输出状态的简单检查无法用来描述系统的时间依赖性。你可以在每次更改时间后重复对系统进行建模，但这在计算上会变得非常低效。我们的目标是接受这种记忆效应并将其作为我们的优势，而不是使用蛮力来克服它。”

Tran和Nakajima转向机器学习和一种被称为量子储层计算(quantum reservoir computing )的技术来构建他们的新算法。它将学习在量子系统中随时间变化的输入和输出模式，并有效地猜测这些模式将如何变化，即使在算法尚未见证的情况下也是如此。由于它不需要像更经验的方法那样了解量子系统的内部工作原理，而是只需要了解输入和输出，因此该团队的算法可以实现更简单、更快地产生结果。

Tran说：“目前，我们的算法可以模拟某种量子系统，但前提要假设设备的处理能力可能差异很大，并且具有不同的记忆效应。所以下一阶段的研究我们将拓宽算法的能力，本质上是让它变成更有用且更具通用性的东西……我对量子机器学习方法所能做的事感到兴奋，对它们可能产生的假想装置也感到兴奋。”（编译:Qtech）