Photonic Time-Delayed Quantum Extreme Learning Machine
本文提出并数值模拟了一种基于时延非线性干涉的鲁棒性光子量子极限学习机，通过光子数相关性展示了其在二分类任务中的有效性，并证明了其在存在光学损耗的情况下仍能保持性能的能力。
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
在计算领域，机器正在不断学习识别模式，从识别照片中的面部到过滤垃圾邮件。这个过程通常涉及训练庞大的数字网络，这项任务需要巨大的能量和时间。为了加速这一过程，科学家们开发了一种被称为“极限学习机”的捷径。他们不再教授系统的每一个部分，而是固定住复杂且混乱的中间部分，只训练产生答案的最后一步。这种方法既快速又高效。最近，研究人员开始思考这种技巧是否也能应用于量子物理学中那些奇特且强大的规则——在那里，粒子可以同时存在于多种状态之中。如果成功，量子版本的此类机器将能以普通计算机无法实现的方式处理信息，从而以更少的精力解决困难的问题。
丹麦技术大学的一个研究小组现在提出了一种利用光来构建这样一台机器的新方法。他们的设计依赖于一个硅芯片，该芯片充当一个环路，捕捉光脉冲并让它们随着时间的推移与自身发生相互作用。想象一下，一束强大的单激光束正将能量泵入刻在硅芯片上的螺旋路径中。当光在环路中传播时，它会遇到一种特殊的材料，将能量分裂成粒子对。研究人员随后使用了一个巧妙的定时技巧：他们让某一时刻的光与下一时刻的光混合，从而创造出一个复杂的相互作用网络。这种现象发生在一个被称为非线性干涉仪的装置内部，光波在此相互干涉，创造出一个丰富的高维信息景观。这项创新的关键在于，硅芯片本身就能生成计算所需的量子态，从而消除了对外部脆弱量子粒子源的需求。
研究人员通过在计算机上模拟这台机器来测试这一想法，看它是否能解决一个被称为“双月”问题的经典谜题。在这个谜题中，两组数据点的形状像新月，目标是画出一条线来分隔它们。一条简单的直线无法做到这一点；解决方案需要一条曲线边界。当研究人员尝试仅使用原始输入数据来解决此问题时，计算机失败了，它画出了一条未能达标的直线。然而，当他们先将数据通过所提出的量子光机器进行处理时，系统将信息转化为一种复杂的光粒子模式。随后，机器成功地画出了正确的曲线边界，高精度地分隔了两组数据。在他们的模拟中，该系统实现了接近 97% 的成功率，达到了针对这一特定问题的理论最佳性能。
为了理解这台机器是如何工作的，团队仔细观察了从系统中出来的光。他们测量了在不同时间到达的粒子（或光子）数量。他们发现，机器并不需要测量光的所有细节就能得到正确答案。通过分析哪些特定的测量数据最为重要，他们发现，只需关注一个特定数据集——即一个光束中的粒子数量如何与另一个光束中的粒子数量相关联——就足以保持高精度。这表明，机器的最后一步可以比最初设想的要简单得多，所需的传感器更少，设备也更不复杂。
该研究还考察了这台机器在现实世界中的表现，在现实中，光在穿过玻璃或硅时经常会发生损耗。在完美的、无损耗的模拟中，机器依靠几个非常强的信号来做出决策。但当研究人员引入了模拟实际硅芯片中发生的真实损耗量时，机器并没有崩溃。相反，它进行了适应。信号的重要性更加均匀地分布在许多不同的测量值中。虽然机器需要观察稍多一些的信号来补偿丢失的光，但它保持了同样高水平的准确性。这种韧性是一个至关重要的发现，因为它表明该设计足够稳健，能够应对实际硬件中的缺陷。
最终，这项工作证明了可以使用单个可重复使用的组件来构建光子量子机器，该组件能同时生成并处理光。通过利用光在环路中传播的时间延迟，系统可以重复使用同一个硅元件来处理不同的信息片段，从而减少了所需物理部件的数量。研究人员表明，这种方法不仅在理论上是成立的，而且具有实用性，能够以与最佳数学模型相当的效率执行复杂的分类任务。他们的结果表明，硅光子技术可以为构建面向实验室阶段的量子计算机提供一条可扩展且易于实现的路径，将量子学习的抽象潜力转化为切实的现实。
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。