在其仿真系统中，首先使用称为主组件分析（PCA）的过程简化图像数据，该过程在维护关键特征的同时减少了信息量。该系统会生成光子的复杂状态，并在光子的状态上具有数据，该状态在体积库中进行处理 - 光子之间的破坏将产生丰富而复杂的模式以识别图像。仅需在最后阶段（简单的线性分类器）训练该系统，以便一般过程既有效又有效，以进行准确的图像识别。照片来源：首先，这项研究是，日本科学技术系科学技术系的成员Akitaki Sakurai，日本/冲绳科学技术大学/日本科学技术大学，十多年来，Boson采样（基于光粒子的计算协议）被认为是托尔斯计算的数量在计算方面更有效。尽管实验表明，玻色子采样很难模仿经典计算机，但尚未澄清其实际使用。日本科技大学科学技术大学的一支研究团队最近在《光学量子》杂志上报道说，他们使用玻色子采样进行了关键工作，以首次识别图像，为现实世界中的人工智能（AI）的应用打开了新的窗口。该团队已经建立了一系列的AI系统，该系统只能使用三个光子和线性光网络用于图像分类。图像识别被广泛用于刑事调查检查，医学和其他领域的诊断。团队此时提出的低能，混合体积方法具有巨大的潜力，并迈出了朝着实施量子AI的关键一步。玻色子（如光子）遵循Bose-Einstein统计。理解Boson的旁观原理，您可以想象一个游戏“大理石指甲”：将大理石从上方放置，大理石碰撞并在指甲之间弹跳，最后将网格落在下面，中间有登陆点，形成了形状铃铛形状的分布图。但是，如果您用光子代替大理石，情况将完全不同。光子不仅像大理石一样“拥抱”。它们是思想的改变，例如水浪，可以超级散布并干扰Bawand。这种干扰的效果使他们在通过复杂的光学网络进行时会产生极其复杂的着陆分布，这不再是简单的对称图形，但是即使是超级计算机也很难准确预测的模式。为了生成图像识别系统，团队设计了新的AI量体积体系结构。在模拟实验时，首先压缩了灰度图像数据并在单个光子体积的状态下被拒绝。这些pH然后将Otons注入复杂的光网络（量子储层）中，它们会干扰高维模式的产生。检测器记录了光子的输出位置和重复样品，以产生玻色子采样分布的可能性。最后，这些音量输出是在原始图像数据中组合的，并通过简单的线性分类器识别。实验结果表明，该系统在所有测试图像数据集中都表现良好，其精度比相同大小的传统机器学习方法更高。