想象一下这样一个世界，计算机可以揭开量子力学的神秘面纱，使我们能够研究复杂材料的行为或以前所未有的精度模拟分子的复杂动力学。研究人员通过展示量子神经网络如何利用一些简单的"直积态"来理解和预测量子系统，在量子计算方面取得了关键性的进展，未来有可能迎来更高效和可靠的量子计算机。

一项突破性的研究确定了一种新的方法，使量子计算机只用几个简单的例子就能理解和预测量子系统。这项研究使用了量子神经网络（QNNs），这是模仿量子系统行为的机器学习模型。与需要大量实例的传统学习模型相比，QNNs使用一些 "直积态"，这是更简单和更容易管理的量子状态的形式。

得益于Zoe Holmes教授和她在EPFL的团队领导的一项开创性研究，这种场景距离我们更接近于成为现实。他们与加州理工学院、柏林自由大学和洛斯阿拉莫斯国家实验室的研究人员合作，发现了一种新的方法，可以教量子计算机如何理解和预测量子系统的行为，即使只有几个简单的例子。

研究人员研究了"量子神经网络"（QNNs），这是一种机器学习模型，旨在利用受量子力学启发的原理学习和处理信息，以模仿量子系统的行为。

就像人工智能中使用的神经网络一样，QNNs由相互连接的节点或"神经元"组成，用于进行计算。不同的是，在QNNs中，神经元根据量子力学的原理进行操作，使它们能够处理和操纵量子信息。

"通常情况下，当我们教计算机一些东西时，我们需要大量的例子，"霍姆斯说。"但在这项研究中，只需几个简单的例子，称为'直积态'，计算机就能学会量子系统的行为方式，即使是在处理纠缠状态时也是如此，因为纠缠状态更加复杂，对理解也有挑战性。"

科学家们使用的'直积态'指的是量子力学中的一个概念，它描述了一个量子系统的具体状态类型。例如，如果一个量子系统是由两个电子组成的，那么当每个单独的电子的状态被独立考虑，然后结合起来时，它的直积态就形成了。

乘积态经常被用作量子计算和测量的起点，因为它们提供了一个更简单和更容易管理的框架来研究和理解量子系统的行为，然后再进入更复杂和纠缠的状态，其中粒子是相关的，不能被独立描述。

研究人员证明，通过只用这些简单的例子训练QNN，计算机可以有效地掌握纠缠的量子系统的复杂动力学。

霍姆斯解释说："这意味着也许能够用更小、更简单的计算机来学习和理解量子系统，比如我们在未来几年可能拥有的近期中间规模[NISQ]计算机，而不是需要大型和复杂的计算机，这可能是几十年后的事情。"

这项工作还为使用量子计算机解决重要问题开辟了新的可能性，如研究复杂的新材料或模拟分子的行为。

最后，该方法通过使创建更短和更抗错的程序来提高量子计算机的性能。通过学习量子系统的行为方式，我们可以简化量子计算机的编程，从而提高效率和可靠性。我们可以通过使量子计算机的程序更短、更不容易出错来使其变得更好。