Dissipative phase transitions in quantum reservoir computing

在量子计算领域，存在一种持久的观念，即摩擦是敌人。几十年来，科学家们一直致力于保持量子系统的完美隔离，担心与外界的任何相互作用都会破坏它们所承载的脆弱信息。这种被称为耗散（dissipation）的摩擦，通常会导致量子态衰减并失去效能。然而，一个新的视角正在出现：如果这种摩擦能够得到精细控制，它就可以成为一种有用的工具，而非破坏性的力量。这一理念是量子储层计算（quantum reservoir computing）的核心，这是一种教机器识别时间模式的方法。研究人员并不试图训练复杂量子机器的每一个部分，而是利用一个固定的、不可改变的量子系统来处理数据流。该系统会自然地遗忘旧信息，同时保留近期输入的信息，这种特性被称为“褪色记忆”（fading memory），对于理解语音或股市趋势等序列至关重要。一个重大的问题一直是：如果将这些系统推向相变（phase change）的边缘——即其行为发生剧烈转变的点——是否能让它们在记忆和处理信息方面变得更出色。

来自北京理工大学的一个研究小组通过模拟两种不同的、不断吸收能量并向周围环境释放能量的量子系统，探索了这个问题。他们关注的是被称为克尔储层（Kerr reservoirs）的系统，这类系统本质上是光子的容器，并以非线性方式进行自我交互。研究人员设置了两种截然不同的情景：第一种，他们创建了一个行为发生突然、剧烈变化的系统，类似于水突然冻结成冰；第二种，他们构建了一个变化更为平缓、以连续方式改变对称性的系统。通过向这些系统输入数据流，并测量它们重建过去输入或预测未来模式的能力，团队发现，当这两个系统运行在这些相变点附近时，它们的表现都是最好的。这证实了相变的边缘确实是计算的“甜点区”，但关于为何会发生这种情况的故事，其结果比所有人预想的都要更加令人惊讶。

长期以来，领先的理论认为，性能提升的关键在于系统弛豫（relaxation）速度的放慢。在物理学中，当一个系统受到扰动后，最终会恢复到平静状态；系统恢复所需的时间受限于一个特定的速度极限，通常被称为“能隙”（gap）。当系统接近相变时，人们认为这个速度极限会放慢到近乎停滞，从而使系统能够长时间保留信息。人们广泛假设，这种极度的缓慢是实现更好记忆力的秘诀。然而，研究人员发现这一假设是不正确的。通过将量子系统的复杂内部运动分解为各个独立的组成部分，他们发现，那个与相变相关的超慢组分，实际上对系统记忆能力的贡献微乎其微。真正的性能提升来源在于别处。

故事中的真正英雄是那些较快的、具有有限速率（finite-rate）的组分。这些是量子机器中以中等速度进行弛豫的部分，既不会快到瞬间遗忘一切，也不会慢到陷入停滞。研究人员发现，在相变附近，所有这些中等速度的组分重新组织了自身。它们调整了自己的速度并以新的方式相互作用，创造出一种比单个最慢组分强大得多的集体效应来进行信息处理。在具有突发相变的系统中，这种重组创造了一个狭窄的窗口，使得中等速度稍微放慢，从而起到辅助作用。在具有渐变相变的系统中，中等速度的组分发生了偏移和扩散，从而与超慢组分分离开来。在这两种情况下，计算能力都源于这些中等速度的动态重组，而非能隙的极端缓慢。

为了确保这些发现并非仅仅是理论上的产物，团队开发了一种精确的方法，用以追踪究竟是哪些内部运动负责了成功的预测。他们表明，系统处理的信息几乎完全由这些有限速率的通道以及它们相互结合的方式所承载。超慢通道尽管是相变中最显著的特征，但发挥的作用却很小。这种区分至关重要，因为它改变了科学家设计这些机器的方式。目标不再是试图设计一个尽可能缓慢的系统，而是应该调节系统，使其中等速度的组分得到最优排列。研究人员还指出，这些特定的弛豫模式可以通过当前技术（如超导电路）在实际实验中进行测量。这意味着他们开发的理论框架不仅是一个数学上的奇思妙想，更是构建能够从时间序列数据中学习的更优量子计算机的实践指南。

这项工作最终揭示了量子系统的自然物理特性与其如何被用于计算之间的分离。相变改变了系统的内部景观，但实际执行记忆和处理工作的，是系统的一组特定运动。通过理解动力源于中等速度组分的集体行为而非最慢的一个，研究人员现在可以拥有一个更清晰的路线图来设计耗散型量子储层。这种方法超越了简单的相关性，建立了内部弛豫谱与机器学习能力之间的直接联系。它表明，未来量子记忆的潜力可能不在于对抗摩擦，而在于驾驭摩擦自然创造出的那种复杂且有组织的弛豫速度之舞。