Temporal information processing on a 4,500-qubit quantum annealer

在计算领域，机器正变得越来越快、越来越小，但存在着一个持久的挑战：如何让它们真正胜任未来的复杂任务。一条充满希望的路径涉及教计算机从数据模式中学习，这一领域被称为机器学习。虽然经典计算机在许多方面表现出色，但它们有时在处理随时间变化的数据（如天气模式或股市）时会感到吃力，因为它们缺乏一种自然的方式来在处理当前信息的同时记住过去。科学家们长期以来一直怀疑，量子机器——其运行基于亚原子世界的奇特规则——可能比经典机器更能处理这类时间性信息。然而，构建一台既足够大以发挥作用，又足够简单以便于训练的量子计算机，一直是主要障碍。大多数尝试都需要昂贵且困难的训练过程，且随着机器规模的扩大，这些过程往往会失败。

一支研究团队通过在一台大规模量子机器上测试一种新方法，取得了重大进展。他们使用了一种被称为量子退火器（quantum annealer）的设备，这是一种旨在通过寻找系统最低能量状态来解决特定问题的量子计算机类型。他们并没有试图训练整个机器去学习，而是将其视为一个天然的、未经训练的引擎，该引擎能产生复杂的内部运动。通过将基于时间的数据输入这个引擎并读取结果，他们创建了一个可以记住过去输入并预测未来的模型。这项实验使用了多达4,500个物理量子比特（qubits），代表了迄今为止最大规模的量子机器学习测试。研究人员发现，该机器能够成功预测混沌且不可预测的时间序列，证明了这些大规模量子设备可以作为处理信息的强大工具，而无需昂贵的训练循环。

该实验的核心依赖于一个被称为“储备池计算”（reservoir computing）的概念。想象一下，一颗石子投入池塘，扩散开来的涟漪是复杂的，取决于石子的形状和水的深度。如果你观察这些涟漪，即使你没看到落石的过程，也能推断出关于那颗石子的某些信息。在这个量子版本中，“池塘”就是量子计算机本身，而“涟漪”则是量子比特天然的、未经训练的运动。研究人员并没有试图教机器该做什么。相反，他们只是让机器根据其自身的内部规律进行演化，同时向其输入流式数据。机器对这些数据的自然反应创造了一个高维的信息映射图。他们唯一训练的部分是一个简单的最后步骤——线性读取（linear readout），它学习了如何将机器复杂的内部状态转化为有用的预测。这种方法避开了通常困扰量子机器学习的困难且昂贵的优化问题。

为了测试这个想法，团队使用了一台 D-Wave 量子退火器，这是一种可编程的超导设备。他们用特定的调度程序对机器进行了编程，其中涉及一种被称为“反向退火”（reverse annealing）的过程。这种技术让机器从一个已知状态开始，向更具量子波动性的状态回溯，在那里停留片刻，然后再次向前移动。这种停顿允许系统探索其局部环境，并稳定进入一个新的配置，从而保留有关接收到的输入的信息。研究人员发现，这种特定的运动至关重要。当他们关闭量子比特之间的相互作用，使其实际上独立运作时，机器失去了对输入的记忆。这证明了在退火过程中，量子比特之间复杂的相互作用对于机器随时间保留信息是必不可少的。

随后，研究人员通过一系列严格测试来检查模型的记忆和处理能力。首先，他们检查了其召回过去输入的能力，即所谓的记忆容量（memory capacity）。他们发现，通过使用反馈机制将机器自身的输出反馈回自身，该系统能够比标准模型保留信息的时间更长。事实上，记忆并未仅仅消退，而是显示出复苏的迹象，这表明系统是以一种复杂的非线性方式保留信息的。他们还测试了机器的规模，发现要实现这些结果，必须使用全部4,500个量子比特的力量。规模较小的相同设置无法保留必要的关联性，这凸显了量子系统的规模对于其成功的关键作用。

除了简单的记忆之外，团队还挑战了机器处理复杂关系的任务。他们要求机器解决一个被称为 XOR 任务的逻辑谜题，该任务涉及确定两个输入的奇偶性。这是一个简单的线性机器无法解决的问题，但量子储备池处理得非常出色，预测准确率接近99%。这证明了机器不仅仅是在记忆数据，而是实际上将其转化为一种使复杂模式变得可见的形式。然而，最具挑战性的测试是预测混沌时间序列。研究人员向机器输入了来自两个著名数学模型的资料，这些模型会产生不可预测的混沌行为：Mackey-Glass 序列和双卷轴系统（double-scroll system）。机器成功预测了这些序列的未来数值，甚至可以预测到很远的未来。在双卷轴系统的案例中，机器能够重建混沌吸引子（chaotic attractor）——即定义该系统行为的复杂几何形状——这标志着首次利用量子计算机实现了此类重建。

这项研究的结果表明，量子退火器是进行大规模机器学习的可行平台，特别是对于涉及时间相关数据的任务。研究人员展示了通过利用大型量子系统的原生动力学，他们可以在不需要沉重训练的情况下处理时间性信息。他们还提供了证据，证明量子性质的相互作用（特别是退火过程中产生的多体动力学）对于系统的功能是不可或缺的。虽然经典计算机最终是否能模拟这些结果仍是一个开放性问题，但该实验证明，当前的量子硬件已经能够执行标准模型难以完成的任务。这项工作为使用量子机器不仅进行优化，而且作为强大的学习与预测引擎开辟了新路径，证明了有时教导机器最好的方式就是让它自主运行。