电子等粒子系统能以许多不同的组合存在，每种系统都有特定的出现概率。在量子领域，未被观察的系统并不以任何一种组合存在，而被认为是所有可能的组合。当测量时，系统塌陷成一种组合，这意味着，科学家无法在单个实验中观察到整个系统的复杂性，必须一次次进行测量，直到确定整个系统的状态。但这种方法适用于仅包含少量粒子的简单系统。随着粒子数量的增加，系统的复杂性飙升。例如，每个电子拥有向上或向下的自旋，5电子系统拥有32种可能的组合；100个电子系统则拥有2的100次方种组合。此外，粒子纠缠也会加深量子系统的复杂程度，因此传统方法力不从心。

　　在最新研究中，美国纽约计算量子物理中心副研究员朱塞佩·卡莱奥及加拿大科学家，利用机器学习技术规避了这些限制。他们将量子系统的实验测量结果提供给基于人工神经网络的软件工具，软件会学习并尝试模仿系统的行为。一旦软件获取足够多的数据，它可以准确地重建完整的量子系统。

　　研究人员使用基于不同量子系统的模拟实验数据集对软件进行了测试。结果显示，该软件远超传统方法：对于8个电子的系统，软件只需约100次测量即可精确重建系统，而传统方法则需近一百万次测量才能达到同样的准确度。新技术也可处理更大的系统，还能帮助科学家验证量子计算机是否正确设置，量子软件是否按预期运行等。

　　卡莱奥说，机器学习与量子物理学强强联手，除了用于基础研究之外，也能改善人工智能的应用。