Connection between memory performance and optical absorption in quantum reservoir computing

技术摘要：量子储备计算中存储性能与光学吸收之间的联系

问题陈述
量子储备计算（QRC）已成为一种极具前景的范式，用于在噪声中等规模量子（NISQ）设备上进行机器学习，它利用了纠缠和指数级缩放相空间等量子特性。然而，对 QRC 性能的评估历来依赖于信息论基准，例如短期记忆容量（STMC）。虽然这些指标在量化性能方面非常有效，但它们无法为控制量子神经网络的底层物理机制提供见解。因此，目前缺乏系统性的理解来阐明具体的物理属性——特别是耗散（dissipation）和吸收（absorption）——是如何支配这些系统的基本能力和实际优化的。这一差距阻碍了针对特定任务对量子储备进行定向工程设计。

方法论
作者研究了以全连接横场伊辛模型（TFIM）作为计算的物理平台。该系统由 $N$ 个通过随机耦合矩阵元素 $J_{ij}$ 进行缩放（谱半径 $J_0 = 0.5$）的量子比特组成。

• 输入编码： 与以往采用“擦除并写入”（erase-and-write）映射（这会引入固定的耗散）的方法不同，本研究采用了一个与量子比特共振耦合的相干光源。输入信号 $s(t)$ 通过幅度调制的相干驱动进行编码，在哈密顿量中有效地建模为随时间变化的 $\sigma_y$ 项。这使得研究者可以实现对耗散的完全控制，而不会引入固有的注入损耗。
• 耗散建模： 系统动力学受 Gorini–Kossakowski–Sudarshan–Lindblad (GKSL) 方程支配，该方程结合了幺正演化和量子比特衰减（速率 $\gamma$）。通过在 Fock-Liouville 空间中重新构建动力学，求解 Liouvillian 超算符的零空间，从而计算稳态。
• 性能指标： 系统存储性能通过短期记忆容量（STMC）进行量化。这涉及训练一个线性读取层来重现过去输入的勒让德多项式。容量 $C_i$ 定义为在一定延迟范围内，储备输出与目标序列之间的皮尔逊相关系数平方和，并在由随机目标相关性确定的噪声阈值处截断。
• 物理属性分析： 作者使用线性响应理论计算了光学吸收谱 $\alpha_{s,\gamma}(\omega)$。具体而言，他们分析了共振吸收 $\alpha_{s,\gamma}(0)$，该值源自偶极相关函数的傅里叶谱，并在各种信号强度 $s$ 下进行了平均。

关键结果

1. 耗散机制： 研究根据量子比特衰减率 $\gamma$ 确定了三个不同的机制：
   • 低耗散（$\gamma \lesssim 10^{-2}$）： 系统演化接近幺正过程，导致记忆无法消退，从而产生微不足道的 STMC。
   • 高耗散（$\gamma \gtrsim 10^{2}$）： 系统向稳态弛豫过快，立即抹除了输入信息，同样导致零 STMC。
   • 中间耗散： 存在一个“甜点区”（大约在 $10^{-1} < \gamma < 10^{1}$ 之间），在此区间内，系统能够达到一个新的、区别于零输入状态的稳态，且不会过快地抹除信息，从而产生最优的记忆容量。
2. 与光学吸收的相关性： 作者在 STMC 与量子储备的共振光学吸收之间建立了定量联系。平均光学吸收 $\bar{\alpha}_\gamma$ 随衰减率 $\gamma$ 变化的曲线与 STMC 曲线表现出显著的定性相似性。这两个指标都在相同的中间耗散水平达到峰值，并在极弱或极强耗散的极端情况下趋于零。
3. 鲁棒性： 这种相关性在不同的耦合强度和系统拓扑结构下均成立，这一点已通过对 4 量子比特储备的额外模拟得到了验证。

核心贡献

• 对“甜点区”的物理学解释： 本文为先前观察到的 QRC 性能随耗散变化的“甜点”行为提供了物理学解释。它证明了最优记忆性能直接与最大光学吸收对齐。
• 跨领域桥接： 该工作弥合了量子信息理论（STMC）与实验可测物理属性（光学吸收）之间的鸿沟。它超越了抽象指标，将计算能力与切实的、可测量的系统响应联系起来。
• 工程指导： 通过将光学吸收识别为记忆性能的代理指标，作者建议实验人员可以通过调节物理参数（如耗散率或耦合强度）来最大化吸收，从而优化 QRC 系统，而不是仅仅依赖于迭代的信息论基准测试。

意义
本文声称，理解物理属性而非仅仅是抽象的信息度量，对于指导量子技术的发展至关重要。建立的这种联系为针对特定任务优化量子储备计算机的路径提供了可能。作者指出，这些发现对于各种提议用于 QRC 的物理系统具有相关性，包括光子系统、非线性振荡器，特别是里德堡原子阵列，后者天然实现了 TFIM 且在近期实验中展示了卓越的扩展性。研究结果旨在促进开发既有物理学基础又有信息论基础的新型性能指标。