即使在日常生活的尺度上，自然也受到量子物理定律的支配。这些定律解释了一些常见的现象，如光、声、热，甚至台球上球的运动轨迹。但是，当应用于大量相互作用的粒子时，量子物理定律实际上预测了许多违背直觉的现象。为了研究由许多粒子组成的量子系统，物理学家必须首先能够模拟它们，这可以通过求解描述超级计算机内部工作原理的方程来实现。
尽管摩尔定律预测计算机的处理能力每隔几年就会翻一番，但这与解决量子物理挑战所需的能力相去甚远。据EPFL纳米系统理论物理实验室主任文森佐·萨沃纳教授说：原因是预测量子系统的性质极其复杂，需要随着量子系统大小呈指数增长的计算能力，这是一项“本质上复杂”的任务。当量子系统开放时，事情变得更加复杂，这意味着它会受到周围环境的干扰。
然而，有效地模拟开放量子系统的工具非常必要，因为大多数现代量子科学和技术的实验平台都是开放系统，物理学家一直在寻找新的方法来模拟和测试它们。但由于一种用神经网络模拟量子系统的新计算方法，已经取得了重大进展。该方法由萨沃纳和epfl的博士生亚历山德拉·纳吉开发，并由巴黎狄德罗大学、爱丁堡赫瑞瓦特大学和纽约熨斗研究所的科学家独立开发。这项研究的全部成果发表在《物理评论快报》的三篇研究论文上。
研究基本上把神经网络和机器学习的进步与量子蒙特卡罗工具结合起来，科学家们训练了一个神经网络来同时表示量子系统的许多量子态，在这些量子态中，一个量子系统可以由其环境的影响来投射。神经网络方法使物理学家能够预测具有相当大小和任意几何形状的量子系统性质。这是一种新的计算方法，它解决了开放量子系统的问题，该系统具有通用性，并且有很大的扩展潜力。该方法将成为研究复杂量子系统的首选工具，并在展望未来的同时，评估噪声对量子硬件的影响。
模拟具有大量自由度的多体开放量子系统性质是解决量子科学和量子信息中几个突出问题的前提。该研究任务的挑战在于密度矩阵复杂度随系统规模呈指数级增长。本研究基于变分蒙特卡罗方法和密度矩阵神经网络表示的变分方法来有效地模拟马氏开放量子系统的非平衡稳态。由于随机重构方案，变分原理的应用转化为量子主方程的实际积分，通过建立二维耗散模型，验证了该方法的有效性。
