尽管没有人怀疑物理学在量子计算中的核心作用，但基于后者的技术从未以有意义的方式成功应用于前者。

现在，加州理工学院和南加州大学(SUC)的研究人员已经成功地设计了一个量子退火炉——一台只能运行优化任务的量子计算机——来对容易出错的测量数据进行分类，从而产生关于希格斯粒子的有意义的信息。

有一天，新技术可以取代通常用于在单个数据集中寻找模式的神经网络。这些模型缺乏关于此类分类标准的任何信息，通常难以解释。

另一方面，使用更有利于人类认知的技术(即启发式)可以获得更好的可解释性，但效率较低，出错的可能性较高。

南加州大学物理系毕业生、本文合著者约书亚约伯(Joshua Job)认为，新的量子方案是“一种简单的机器学习模型，可以获得与更复杂模型相当的结果，而不会失去鲁棒性或可解释性”。

与现有技术不同的是，在现有技术中，分类的准确性取决于训练集(特定数据集的人工排序部分)的大小和质量，新方法不太复杂，需要的训练数据也很少，甚至可能更快。

令人惊讶的是，这是通过包含激发态(次优解)来实现的。“为什么，我们只能推测。但一个原因可能是，我们要解决的实际问题无法用量子退火炉准确表达。因此，次优的解决方案可能更接近事实，”南加州大学的工程学教授Daniel Lidar说，他也参与了这项研究。

尽管现有的量子退火炉仍有许多缺点，但研究团队已经在寻找粒子物理之外的潜在应用。该概念的作者Maria Spiropulu总结道：“在这个新兴的交叉科学技术领域，有许多令人兴奋的工作和发现。”