研究者らは、量子ニューラルネットワークがアクセスしにくい量子オブジェクトの特性を測定するのに役立ち、ハイゼンベルクの不確定性原理を潜在的に回避できることを数学的に示した。ネットワークにランダム性を注入することで、科学者らは互換性のない複数の特性をより精密に決定できるかもしれない。この手法は量子コンピューティングや化学の応用を加速させる可能性がある。
ハイゼンベルクの不確定性原理は、位置や運動量などの特定の量子特性を同時にどれほど精密に測定できるかを制限する。分子や量子コンピュータの量子ビットなどの量子オブジェクトでは、これにより予測や評価が困難になり、測定同士が干渉し合う。 中国科学院のDuanlu Zhou氏と同僚らは、量子ニューラルネットワーク（QNN）がこれらの問題を克服できることを数学的に証明した。量子ビット上の従来の操作は不確定性原理によりしばしば互換性がなく、数値上で矛盾する計算を行うようなものである。しかし、集合からランダムに選ばれたステップを持つQNNは、この互換性のなさを解決できる。 以前の研究では、ランダム性がQNNによる単一特性の効果的な測定を助けることが示された。周氏のチームはこれを不確定性原理で制約される複数の特性に拡張した。連続したランダム操作を適用し、統計的手法で結果を解明することで、この手法は単一操作の繰り返しよりも精密な結果を生む。 これは特に量子コンピュータで有用であり、量子ビットの特性理解はデバイス評価や分子・材料のエミュレーションに不可欠である。カリフォルニア工科大学のRobert Huang氏は、多くの互換性のない特性を効率的に測定できれば、科学者らは量子系をはるかに速く学習でき、化学や材料科学の応用、および量子コンピュータのスケーリングを助けると指摘する。 この方法は実用的な実装が現実的で、他のランダム性ベースの量子測定手法を上回るかどうかに成功がかかっている。結果はPhysical Review Bに掲載（DOI: 10.1103/qz9c-m3z4）。