僅由九個原子組成的量子系統，性能超越由數千節點構成的網絡

科學家首次將量子噪聲轉化為特性，使微型系統得以勝任宏大任務。

多年來，人工智能的進步遵循一條簡單的法則：做得更大——更多層、更多連接、更多計算能力。然而，一項新研究給出了不同的答案。

研究人員沒有選擇規模擴張，而是構建了一個極其微小的系統——一個僅包含九個相互作用的原子自旋的量子系統——并讓它去解決通常需要遠為龐大的機器才能處理的問題。

結果出人意料。這個微型系統不僅毫不遜色，在諸如預測未來數天溫度模式等任務上，甚至超越了擁有數千節點的經典機器學習模型。

研究作者指出：“這首次在實驗上證明，量子機器學習在真實世界任務上的表現能夠超越大規模經典模型。”

那么，這是否意味著科學家們一直以來對量子計算的探索方向都是錯的？

讓系統自主思考

量子計算最大的挑戰之一在于控制。大多數方法依賴精心設計的量子電路，其中每一步都必須精確執行。

然而，當前的量子硬件會受到環境中微小擾動（噪聲）的影響，這些擾動會迅速打亂計算過程。這也是量子計算遲遲未能實現實際應用的原因之一。

研究人員退后一步，嘗試了不同的思路。他們借用了機器學習中的一個思想——儲層計算。

在這種方法中，你不需要微觀管理整個系統。只需輸入數據，讓系統自行演化，然后讀取輸出結果。這種智能來源于系統自然處理和重塑輸入信息的方式。

研究作者聲稱：“量子儲層計算為機器學習應用提供了卓越的潛力。”

為了實現這一系統，團隊利用核磁共振技術控制了九個原子自旋——本質上就是量子層面的微小磁體。這些自旋相互之間發生作用，形成不斷變化的內部狀態。當輸入數據被編碼進該系統后，它并不會保持靜態，而是以復雜的方式傳播、混合和變換。

這正是量子物理發揮作用的地方。系統可以同時存在于多種狀態，并發展出強烈的內部關聯。因此，即便只有少量組件，也能產生極為豐富的行為模式。

研究人員沒有編程每一個步驟，而是讓這些動力學過程自然展開，然后從中提取有用信息。

化缺陷為特性

在大多數量子實驗中，耗散（系統向環境損失能量的過程）是一個需要消除的問題。它會抹除信息、引入錯誤。但在這項研究中，耗散被刻意利用了。

為什么？因為預測任務依賴于記憶。要預測接下來會發生什么，系統必須保留之前狀態的痕跡——但不能太多。如果它同等記住所有信息，就會被淹沒；如果遺忘太快，又會丟失上下文。

耗散提供了一種自然的平衡方式。它逐漸移除較舊的信息，同時讓最近的輸入對系統產生更強的影響。換句話說，通常被視為噪聲的東西，變成了控制記憶的工具。

從基準測試到真實天氣

為了驗證這一方法的有效性，研究人員首先采用了一個名為 NARMA 的標準測試，該測試常用于評估時間序列預測系統。量子裝置在此取得了首個重要成果：與先前的實驗性量子方法相比，預測誤差降低了一到兩個數量級。

然而，基準測試是一回事，真實世界的數據又是另一回事。因此，研究團隊轉向天氣預報，重點關注多日溫度變化趨勢。盡管系統極為簡單，這個九自旋系統仍能以令人印象深刻的精度追蹤這些模式。

最引人注目的對比發生在它與一個名為“回聲狀態網絡”（儲層計算中一種成熟方法）的經典模型之間的較量。即使將經典系統擴展到數千個節點，這個小得多的量子系統在多日預測中依然表現更優。

研究作者表示：“在長期天氣預報中，我們的量子儲層實現了比擁有數千節點的經典儲層更高的預測精度。這表明，利用當前量子硬件，即可在時間序列預測中獲得實用的量子優勢。”

重新構想通往實用量子機器的道路

這項工作標志著量子計算發展思路的轉變。研究人員不必等待大型、完美受控的量子機器，而是現在就可以從微小、不完美的系統中提取價值——利用其自然動力學，而不是與之對抗。

研究作者補充道：“我們提出了一種基于關聯量子自旋系統的新型量子儲層計算方法，利用自然的量子多體相互作用來產生儲層動力學，從而規避了深層量子電路的實際挑戰。”

話雖如此，這種方法仍處于早期階段。當前系統規模有限，且僅在特定類型的問題上進行了測試。它不是通用計算機，擴大規模將帶來新的挑戰。

盡管如此，這項研究提供了一個非常重要的啟示：進步并非來自不斷做加法，而是來自更智慧地利用已有之物。

該研究發表于《物理評論快報》期刊。

如果朋友們喜歡，敬請關注“知新了了”！