所有人工智能应用的核心是被称为神经网络的数学模型。爱博网投官方网站这些模型的灵感来自于人类大脑的生物结构，由相互连接的节点组成。就像我们的大脑通过不断重新排列神经元之间的连接来学习一样，神经网络可以通过调整其内部结构来进行数学训练，直到它们能够完成人类级别的任务:识别我们的脸，解释医学图像以进行诊断，甚至驾驶我们的汽车。因此，拥有能够快速有效地执行神经网络计算的集成设备已成为学术界和工业界的主要研究焦点。

2008年发现的忆阻器是该领域的主要改变者之一。这种器件根据对过去电流的记忆改变其电阻，因此称为记忆电阻器或忆阻器。在它被发现后，科学家们立刻意识到(在许多其他应用中)记忆电阻器的特殊行为与神经突触惊人地相似。记忆电阻器因此成为神经形态结构的基本组成部分。

由Philip Walther教授和Roberto Osellame博士领导的来自维也纳大学、国家研究委员会(CNR)和米兰理工大学的一组实验物理学家现在已经证明，有可能设计出一种具有与忆阻器相同行为的设备，同时作用于量子态，并能够编码和传输量子信息。换句话说，就是量子忆阻器。实现这样的装置是具有挑战性的，因为忆阻器的动力学往往与典型的量子行为相矛盾。

通过使用单个光子，即光的单个量子粒子，并利用它们以两条或多条路径叠加同时传播的独特能力，物理学家已经克服了这一挑战。在他们的实验中，单光子沿着激光写在玻璃基板上的波导传播，并被引导在几个路径的叠加上。其中一条路径用于测量穿过器件的光子通量，该量通过复杂的电子反馈方案调制另一条输出端的传输，从而实现所需的忆阻行为。除了展示量子忆阻器之外，研究人员还提供了模拟，显示带有量子忆阻器的光网络可以用于学习经典任务和量子任务，这暗示了量子忆阻器可能是人工智能和量子计算之间缺失的一环。爱博网投官方网站

“在人工智能中释放量子资源的全部潜力是当前量子物理和计算机科学研究中最大的挑战之一，”米歇尔·斯帕诺罗(Michele Spagnolo)爱博网投官方网站说，他是《自然光子学》杂志上发表的第一作者。维也纳大学的Philip Walther小组最近也证明了机器人在使用量子资源和借鉴量子计算方案时可以更快地学习。这一新成就代表着向量子人工智能成为现实的未来又迈进了一步。爱博网投官方网站