Evaluating quantum circuits in the reservoir computing paradigm

本文评估了包括具有 Haar 随机、对偶幺正及可解非随机门在内的结构化量子电路作为时序信息处理储层计算模型的有效性，证明此类结构化方法相较于随机幺正基线能够实现更优越的任务性能与效率。

要点

想象你拥有一台非常复杂、混乱的机器——就像巨大的、旋转的万花筒，或者湍急的河流。你想利用这台机器来预测事件序列中接下来会发生什么，比如预测天气或股票价格。这就是储层计算（Reservoir Computing）的核心思想。

在传统计算中，你可能会尝试从头构建一个完美的天气模型。但在储层计算中，你并不构建模型；你只是将数据输入到这台混乱的机器中，并观察机器内部状态的变化。机器天然的“混乱”充当了一个超级复杂的转换器，将简单的输入转化为丰富的高维模式，使得简单的计算机能够轻松读取并做出预测。

本文探讨了如何利用量子计算机（具体而言，由量子门构成的电路）来构建这台“混乱机器”，并提出了一个问题：什么样的“齿轮”（量子门）能制造出最适合这项工作的机器？

以下是他们研究发现的简要说明，使用了简单的类比：

1. 设置：量子“万花筒”

研究人员构建了一种特定类型的量子电路，称为**“砖墙”电路**（brickwall circuit）。

• 类比：想象一堵由砖块砌成的墙。每一块“砖”都是一个量子门，它每次会扭曲和转动两个量子比特（qubits）。他们将这些砖块以交错的模式堆叠起来（就像真实的砖墙一样）。
• 过程：他们将数据流（例如时间序列数字）逐个输入到第一个量子比特中。数据像涟漪一样穿过这堵砖墙，被搅乱和混合。
• 读取：数据穿过之后，他们对量子比特进行“快照”（测量）。通过每次以略微不同的方式重复此过程（一种称为多路复用的技术），他们从少量的物理量子比特中获得了大量的数据点。这就创建了一个“特征图”，计算机利用它来进行学习。

2. 实验：测试不同的“齿轮”

研究人员想知道，用来构建这堵墙的具体量子门类型是否重要。他们测试了三种类型：

• “随机”齿轮（Haar 随机门）：这就像每次决定如何扭曲砖块时，都随手扔一把骰子。这创造了最大的混乱。它是随机性的黄金标准，但在现实中很难构建。
• “可调”齿轮（双酉门，Dual-Unitary Gates）：这些是特殊的、结构化的门。把它们想象成可以调节档位的齿轮。你可以将它们调整为稍微混乱或极度混乱。它们比随机门更容易构建。
• “可解”齿轮：这是一类特殊的门，遵循严格的数学规则（可解性条件）。它们被设计为“几乎”随机，但以一种非常具体且高效的方式。

3. 关键发现

A. 混乱需要一个“甜蜜点”（混沌边缘）

论文发现，越混乱并不总是越好。

• 类比：想象试图在一个房间里听对话。如果房间是寂静的，你什么也听不到。如果房间是震耳欲聋的摇滚音乐会，你也什么也听不到。但如果房间有一种生动、嗡嗡作响的背景噪音（即“混沌边缘”），你实际上可以分辨出对话。
• 结果：当量子储层中的门具有足够的混乱性以良好地混合数据，但又不至于混乱到破坏输入数据的记忆时，效果最好。这个“甜蜜点”就是预测准确率最高的地方。

B. “记忆”测试（NARMA 和 Mackey-Glass）

他们在两种类型的谜题上测试了这些机器：

1. NARMA：一种数学谜题，其答案取决于过去数字的漫长历史。
2. Mackey-Glass：一种经典的混沌系统（就像水龙头有时滴得快，有时滴得慢）。

• 结果：当任务需要记住漫长的历史（高记忆需求）时，“完美随机”的齿轮和“可调”齿轮表现同样出色。然而，“可调”齿轮要容易构建得多。
• “可解”的惊喜：“可解”门（其混乱程度低于随机门）在 Mackey-Glass 任务上实际上表现更好。
• 原因：论文指出，虽然完全的随机性很好，但稍微更有结构的混乱（如可解门）能在将输入数据记忆冲淡之前，保留更长时间的“记忆”。这就像拥有一条河流，它旋转得足以混合水流，但又不会猛烈到将水从桶中溅出。

C. “Krylov"指南针

研究人员使用一种称为Krylov 空间分析的数学工具，在甚至运行预测测试之前，就预测了机器的工作效果。

• 类比：把这想象成检查搅拌机的“混合速度”。如果你知道搅拌机的叶片转得有多快，以及配料是如何扩散的，你就可以在不实际品尝的情况下预测你的冰沙是否混合均匀。
• 结果：他们发现，如果量子电路能快速传播信息（高"Krylov 复杂度”），它通常能成为一个好的储层。这使得科学家能够在不进行试错的情况下，为这些任务设计出更好的量子计算机。

4. 结论

论文总结道，你不需要一台完全随机、混乱的量子机器就能进行出色的时间序列预测。

• 结构化更好：你可以使用结构化的、可调的齿轮（如双酉门或可解门），它们在当前的量子硬件上更容易构建。
• 平衡是关键：最佳性能来自于传播信息（混乱）与保持记忆（稳定性）之间的平衡。
• 效率：这些结构化电路可以实现与完全随机电路相同（有时甚至更好）的结果，但计算开销更小，使其成为当前一代量子计算机的实用选择。

简而言之：要构建一台能预测未来的量子计算机，你不需要一台完全失控的机器。你需要一台混乱程度恰到好处以混合数据，但稳定程度也恰到好处以记住数据的机器。

技术摘要

技术摘要：评估储层计算范式中的量子电路

问题陈述
储层计算（RC）是一种时间信息处理框架，它利用物理系统的内在动力学将输入数据映射到高维空间，通过仅优化线性读出层，避免了训练循环神经网络（RNN）的计算开销。尽管量子储层计算（QRC）作为一种利用多体物理幺正演化的有前途的途径已经出现，但量子电路（即储层）的具体动力学特性与其任务性能之间的关系仍是一个需要系统研究的领域。具体而言，结构化量子电路中组成门的选择如何影响遍历性、信息传播以及最终的时间序列预测任务精度，尚不明确。

方法论
作者研究了由砖墙电路（brickwall circuits，即交错排列的双量子比特门）构建的量子储层。该方法包含以下组成部分：

1. 储层架构：储层是一个 6 量子比特（分析中使用了不同尺寸）的砖墙电路。输入时间序列数据 $\{s_k\}$ 通过制备特定的单量子比特态，按顺序注入到第一个量子比特中。该态通过储层算符 $U_{res}$（砖墙电路的单个时间步）进行幺正演化。
2. 多路复用：为了在不增加物理量子比特的情况下提取丰富的特征空间，该协议采用多路复用。在输入注入之间，储层态演化 $V$ 次，并在每个中间步骤对所有量子比特进行投影测量。这从 $N$ 个物理量子比特中生成了 $NV$ 个计算节点。
3. 门类别：该研究评估了三种不同的双量子比特门类别来构建砖墙电路：
   • Haar 随机门：作为最大随机性的基准。
   • 对偶幺正门：结构化门，已知具有最大多体混沌特性，并可通过其纠缠能力 $e_P(U)$ 调节遍历性。
   • 可解门：一类满足特定可解性条件（与 Kitaev 模型相关）的非随机门，它们收敛于幺正 2-设计而非完全的 Haar 随机性。
4. 分析诊断：
   • Krylov 空间分析：作者利用 Krylov 复杂度和 Krylov 可观测性指标来量化算符的扩散和可达相空间的维度。他们分析 Krylov 复杂度的饱和度和二阶矩算符的谱隙，以评估遍历性。
   • 任务基准：使用标准合成数据集评估性能：
     • NARMA（非线性自回归滑动平均）：用于测试不同阶数（$L$）下的 fading memory（ fading memory）容量和非线性。
     • Mackey-Glass（MG）：一种混沌延迟微分系统，用于测试混沌状态下的自主时间序列预测。
5. 读出：使用 Moore-Penrose 伪逆在训练集上训练线性读出层，并通过在保留的评估集上的均方误差（MSE）来衡量性能。

主要贡献

• 系统性的门分析：本文建立了组成门的纠缠能力与储层性能之间的直接相关性。它表明，虽然最大混沌（Haar 随机）是一个基准，但结构化电路可以在降低计算开销的同时实现相当或更优的性能。
• Krylov 空间作为预测器：作者验证了 Krylov 空间指标（特别是 Krylov 复杂度的饱和值和谱隙 $|\lambda_3|$）是储层有效性的可靠先验指标。他们表明，对偶幺正电路中更高的纠缠能力导致更高的 Krylov 复杂度饱和度，这与低记忆任务更好的任务性能相关。
• 最优多路复用深度：研究发现，最优多路复用深度 $V$ 约等于系统大小 $N$（$V \sim N$）。超过这一点，储层态系综收敛到 Haar 随机分布，此时额外的测量对特征提取的回报递减。
• 混沌边缘机制：结果表明，最优性能不一定在最大混沌的极限处发现。相反，中间机制（即“混沌边缘”）通常能产生最佳结果，在信息传播与记忆保持之间取得平衡。
• 可解门的优势：引入可解门表明，收敛于幺正 2-设计（比完全 Haar 随机性具有更弱的热化）的电路在特定任务中可能优于最大混沌模型，这表明“较少随机”的动力学对储层计算可能更有效。

结果

• 对偶幺正电路：对于 NARMA 任务，随着阶数 $L$ 的增加，性能普遍下降，反映了 fading memory 的限制。然而，具有更高纠缠能力（$e_P(U)$）的对偶幺正电路始终优于或匹配 Haar 随机基准。对于 Mackey-Glass 任务，性能随非零纠缠能力的增加而迅速提高，在中间值处达到峰值，随后随着系统接近最大混沌而下降。
• 可解电路：当应用于 Mackey-Glass 任务时，$e_P(U) > 0.6$ 的可解门（其谱隙表明收敛于 2-设计）显示出相对于对偶幺正和 Haar 随机基准的平均 MSE 改进。这表明可解门的特定动力学结构比最大混沌的快速混淆更好地保留了有用的记忆。
• Krylov 指标：Krylov 复杂度的饱和值（$\bar{K}_C$）随门的纠缠能力增加而增加，证实了更高的遍历性导致更大的有效相空间。谱隙分析证实，在相同几何结构下，具有高纠缠能力的可解门比 Haar 随机电路更高效地收敛到 2-设计。

意义与主张
本文主张结构化量子电路是储层计算的有效模型，提供了一个在效率和性能之间取得平衡的物理驱动平台。

• 效率：结构化电路（对偶幺正和可解）仅需单量子比特随机幺正变换（或固定结构），而非全系统大小的 Haar 随机门，显著降低了 NISQ（含噪声中等规模量子）设备的计算开销和实现复杂度。
• 动力学洞察：这项工作挑战了最大随机性（混沌）总是最优的假设。相反，它提出“混沌边缘”机制，即遍历性（信息传播）与稳定性（记忆保持）之间的平衡，对于高性能储层计算至关重要。
• 预测能力：该研究验证了 Krylov 复杂度和谱隙等动力学指标可以在实际任务执行之前可靠地预测储层性能，为设计量子储层提供了理论工具。

作者得出结论，量子电路储层的性能不仅由随机性的数量决定，更由信息传播、记忆保持和可达动力学特征空间之间的特定平衡所决定。