我们研究了经典和量子机学习(ML)模型的性能,以预测物理实验的结果。实验取决于输入参数X,并涉及执行(可能未知)量子过程e。我们的功绩数字是实现所需预测性能所需的E运行次数。我们考虑进行测量的经典ML模型,并在每次E运行后记录经典结果,以及可以连贯访问E以获取量子数据的量子ML模型;然后,使用经典数据或量子数据来预测未来实验的结果。我们证明,对于任何输入分布d(x),经典ML模型可以通过与最佳量子ML模型相当的多次访问E来平均提供准确的预测。相反,为了实现所有输入的准确预测,我们证明了指数量子优势是可能的。例如,为了预测N- Qubit Systemρ中所有Pauli可观察到的期望,经典ML模型需要ρ的2Ω(n)副本,但是我们仅使用O(n)副本提出了一个量子ML模型。我们的结果阐明了量子优势的可能性,并突出了经典ML模型解决物理和化学中有挑战性的量子问题的潜力。