日本理化学研究所(RIKEN)的一位物理学家和三位合作者表明，表征量子粒子系统所需的测量次数要远远少于以前的估计。这一发现不仅减少了实验人员的工作量，还对验证量子计算等新兴量子技术产生了重要影响。

我们周围的所有物体都是由电磁力结合在一起的量子粒子的集合。这些力可以用非常简单的方程来表示。不过，由于粒子之间的相互作用产生了不能用单粒子行为来表达的非平凡的量子现象，这才导致了复杂性的出现。

RIKEN高级智能项目中心的Tomotaka Kuwahara解释道：“我们生活的世界受薛定谔方程支配。原则上，我们可以通过解这个方程来阐明自然界中的所有现象。但要得到薛定谔方程，你需要知道哈密顿量(也就是能量矩阵)，而这取决于系统的细节。”

可以通过对量子系统进行重复测量来确定哈密顿量。但是，在现有的算法中，测量的次数会随着构成系统的粒子数量呈指数级增长，这使得实验的次数高得令人望而却步。

现在，Kuwahara和来自美国IBM、加州大学伯克利分校和麻省理工学院的三位合作者开发了一种机器学习算法，其所需测量的次数随着粒子数量的立方而增加。

他们的设置考虑了实验相关的情况，即需要多少个目标哈密顿量的吉布斯态副本来确定哈密顿量。对于15个粒子的系统，大约是3千次测量而不是大约3万次，而对于100个粒子的系统，它需要100万次测量，而不是高达10的29次方(10万亿亿亿)次。

令人惊讶的是，该结果甚至适用于低温系统，其热平衡状态通常具有高度复杂的结构。这一进步对量子计算机产生了重要的影响。Kuwahara说：“在量子计算中，我们经常需要识别系统哈密​​顿量来进行验证；这种验证对于量子算法的可靠性实现来说是一个关键。我们的结果可用于验证一些重要的量子算法。”

研究人员还预计，他们的算法可用于通过执行量子测量来研究量子材料的特性。Kuwahara说：“我们的方法的一个应用是用它来阐明在复杂环境中实现的奇异量子系统的特性，例如超冷原子或俘获离子实验。”

该团队现在打算将他们的工作扩展到两个方向。Kuwahara说：“利用我们目前的技术，我们也许能够阐明其他学习问题的样本复杂性。我们还希望改进该算法，使其不仅具有样本效率，而且还具有时间效率。”（编译:Qtech）