加州理工学院的Huang等人从数学上证明了在某些学习任务中，操纵多个量子态比经典的单量子态测量提供了指数优势，包括预测量子系统的特性，对噪声状态进行量子主成分分析，以及学习物理动力学的近似模型。他们在谷歌“悬铃木”量子处理器上使用40个量子比特进行了原理验证实验，并在经典下界上实现了所需实验次数近乎4个数量级的减少。该研究成果于6月10日发表在《科学》杂志。
量子计算机具有在给定初始条件下预测多粒子量子系统行为的能力。机器学习可以在不完全了解系统的情况下实现这种预测，只需要访问以前的实验数据：计算机接收到一个数据集，该数据集来源于之前在量子系统上的一些实验。然后，经典或量子计算机将在略有不同的设置下预测系统的未来。直观地说，这样的数据分析可能包含了费曼所描述的所谓量子－经典性能差距：对量子系统未来状态给出完整的描述，对于经典方案来说是困难的，但对于量子计算来说是可行的。然而，纳入更多训练数据可能会缩小这一差距。经典机器学习有时也可以预测复杂量子系统的特性，因此量子计算机在这一设置中是否有优势尚不清楚。
Huang等人提出了一种将赋予量子计算机决定性优势的方法：利用量子计算机处理“量子数据”的能力，即处理量子实验产生的原始量子态，而不仅仅是经典信息。研究人员从理论上证明，使用经典方案进行相同的表征需要进行指数级数量的实验才能获得相同的信息。研究人员用谷歌“悬铃木”测试了相关机器学习任务，他们没有测量真实的量子系统，而是使用模拟的量子数据，并分别使用量子增强方案和经典方案进行对比分析。对于量子增强方案，量子计算机提供了一个极小但关键的额外容量：一个小的量子内存，可以对量子数据的两个副本进行联合测量，从根本上利用了量子纠缠，这不能用经典方案中成对的单独测量来代替。在理想情况下，可以知道准确的联合测量值。然而，在实际实验中，状态准备是不完善的，测量也是如此。使用量子处理辅以经典机器学习，有望在存在实验误差的情况下提取最强的信号。这种经典-量子混合方法展示了在表征量子系统各种基本性质方面的优势，例如，预测未知量子过程是否满足时间反演对称性。他们的实验表明，即使考虑发生量子计算机特有的错误，量子计算机在解决某些问题时仍能保持其优势。
英国布里斯托尔大学的Ashley Montanaro说：“作者能够证明，在一些实验中，使用经典计算机需要的样本数量有一个下限。而即使使用含噪声的量子计算机，也能超越这一界限，这是一个令人印象深刻的成就，尤其如今量子硬件尚处于早期阶段。”
虽然Huang等人提出的证明框架是通用的，但他们只将其用于了特定类别的问题。Huang说，未来的工作是要明确证明量子优势可以解决更多的量子问题。