From quantum reservoirs to quantum extreme learning machines through a nearest-neighbor spin chain with tunable quantum memory
本文证明了量子储层计算与量子极限学习机是两个由输入编码长度相连的统一架构的极限，揭示了无论连通性如何，最优的时间处理都发生在混沌边缘，而循环记忆的必要性则取决于任务所需的历史深度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在构建更智能机器的竞赛中，科学家们正越来越多地转向量子世界的奇特规则以寻求优势。传统计算机将信息处理为简单的零和一序列，而量子系统则在一个存在多种可能性的广阔且复杂的景观中运行。这种潜力激发了一个名为量子机器学习的领域，该领域探讨这些系统是否可以经过训练来识别模式或预测未来。然而，教导一个量子系统是极其困难的。通常的方法需要不断调整系统的内部设置，这一过程随着系统规模的增大，往往会陷入停滞或变得极其缓慢。为了绕过这些障碍，研究人员开发了两种截然不同的策略。一种被称为量子储备计算（quantum reservoir computing）的方法，它让量子系统持续运行，使其能够保留过去输入的微弱记忆，从而帮助解决需要回顾时间的问题。另一种被称为量子极值学习机（quantum extreme learning machine）的方法，它在每一步都会将系统清空，仅依靠最新的输入来做出决策。长期以来，这两种方法一直被视为看待该问题的两种完全不同的思维方式。
位于巴塞罗那的 Qilimanjaro Quantum Tech 的一个研究小组现在已经证明，这两种方法并非竞争对手，而是同一个光谱的两端。通过使用由十个量子比特（qubits）排列成的简单线性链，他们展示了记住过去与忘记过去之间的区别，仅仅在于每时每刻有多少个比特被新数据刷新。在他们的实验设置中，研究人员可以选择用新鲜信息覆盖其中一个比特，同时让其余九个比特承载系统的历史，从而有效地创造出深层记忆。或者，他们也可以一次性覆盖所有十个比特，彻底抹除过去，迫使系统仅依赖于即时当下。通过在这个两个极端之间滑动这个控制旋钮，他们发现处理信息的最优方式完全取决于任务本身。
该团队在多个挑战上测试了他们的系统，包括需要记住深层过去的特定输入的任务，以及涉及预测混沌信号未来行为的任务。当任务需要长时记忆时，例如回忆五十步之前的输入，或预测复杂且旋转的混沌系统模式时，当系统仅刷新少量比特时表现最佳。在这些情况下，未被刷新的比特充当了至关重要的量子记忆，在系统演化过程中保留着遥远的过去。然而，当任务仅需要观察极近的过去时，例如预测一个变化迅速且会在几步之内遗忘其历史的信号，当所有比特都被刷新时，系统的表现同样出色，甚至更好。在这些短期场景中，复杂的记忆是不必要的，简单的、无记忆的方法就足够了。
当研究人员将他们简单的线性量子比特链与通常被认为对于此类工作必不可少的复杂、密集连接网络进行比较时，一个令人惊讶的发现出现了。该领域的传统观点认为，为了有效地处理基于时间的信息，系统的每个部分都必须与其它所有部分相连，从而创建一个相互作用的网络。研究人员通过将他们的简单链与一个每个量子比特都以随机强度与其他所有量子比特相连的模型进行对比来测试这一点。他们发现，具有统一局部连接的简单链，其表现与复杂的网络一样好。事实上，对于需要保持特定过去信息可访问性的任务，简单的链实际上优于复杂的网络。复杂模型中的密集连接倾向于将信息过度分散，使其隐藏在高层相关性中，以至于测量工具难以轻易捕捉。
研究还表明，成功的秘诀不在于连接的复杂性，而在于系统演化的时机。最佳性能出现在系统被允许演化一段特定的、适度的时长时——这段时间既足以让新输入与旧记忆混合，又不至于让信息完全被搅乱和丢失。这种“混沌边缘”机制允许系统创建有用的非线性数据组合，而不会破坏信号。研究人员发现，他们可以通过调节作用于量子比特的磁场强度，或者仅仅通过改变系统运行的时长来调整这种行为。这种灵活性表明，未来用于处理基于时间数据的量子机器不需要构建得极其复杂或难以控制。相反，一个简单的、线性的量子比特链，只要经过精心调优以匹配其演化的正确时刻，就足以处理最具挑战性的时间任务。
这项工作为如何构建面向现实世界数据的实用量子计算机提供了清晰的路线图。它表明，选择保留记忆还是重置系统并不是一个根本性的限制，而是一个可以针对特定问题进行优化的设计选择。无论机器需要记住长期的历史，还是仅仅对当下做出反应，同一套基本硬件都可以通过适配来胜任这两者。研究结果挑战了“更复杂的连接性会导致更好性能”的假设，转而强调正确的动力学行为才是真正关键的。通过证明一个简单的、最近邻连接的链可以达到甚至超过全连接网络的性能，研究人员为构建更易于获取且更易于控制的未来人工智能量子设备打开了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。