Quantum neuroplastic learning for time-series processing

在广袤的计算领域中，人们日益渴望构建出不仅能通过处理数字进行学习，还能像人类大脑一样通过适应信息流来改变自身结构的机器。几十年来，科学家们一直在研究生物大脑如何随时间发生变化。他们知道，当我们学习一项新技能时，我们神经细胞之间被称为“突触”的连接不仅仅是变强或变弱；它们还可以形成新的链路、消除旧的链路，并重组整个网络。这种物理上自我重构的能力被称为“神经塑性”，它是长期记忆的基础。虽然现代计算机速度极快，但它们通常依赖于固定的架构，必须从头开始重新编程才能处理新任务。量子计算是一个利用奇特的物理定律以经典计算机无法实现的方式处理信息的研究领域，最近已开始探索类似的理念。研究人员正在研究如何使这些脆弱的量子系统更具适应性，希望创造出能够记住复杂模式并能根据不断变化的环境进行调整，而无需进行全面重构的机器。

瑞典皇家理工学院（KTH）的一位研究人员通过引入一种称为“量子神经塑性学习”的方法，向这一目标迈出了重要一步。他们并没有将量子计算机视为一个具有固定规则的静态机器，而是设计了一个可以根据经验重组其内部连接的系统。想象一下，一台量子计算机是一组相互作用的小粒子，即量子比特（qubits）。在传统的量子学习中，这些粒子一旦设定好，计算机只能通过调整最终输出来进行学习，而保持核心网络不变。然而，这种新方法允许网络本身发生变化。正如大脑可能会修剪掉不使用的连接或建立新的路径来存储记忆一样，该系统会提名其量子比特连接方式的微小局部变化。它会将这些变化与新鲜数据进行测试，如果某种特定的调整被证明可以提高性能，系统就会保留它。这个过程发生得缓慢且审慎，系统会不断评估一个新的连接是否值得投入成本。

研究人员通过两种截然不同的方式测试了这个想法：首先是通过详细的计算机模拟，然后是在真实的量子处理器上。在模拟中，他们将该方法应用于需要随时间记忆信息的任务，例如回忆很久以前输入的序列，或预测一个复杂的非线性序列中的下一个数字。他们发现，虽然固定的量子系统在记忆超过几个步骤的信息方面表现挣扎，但这个重构系统却展现出了保持信息能力极强的惊人能力。它有效地转移了其记忆容量，使其在处理新输入的同时，仍能保留旧数据。这在需要长期召回的任务中尤为明显，而在这些任务中，固定系统几乎完全失效。这种具有塑性的系统不仅学习得更快，而且学习到了一种不同类型的记忆——一种能够在许多不同挑战中持续存在，且不会忘记先前所学内容的记忆。

为了观察这些发现是否能在现实世界中站得住脚，他们将工作转移到了位于 IBM 的一台物理量子处理器上，该机器使用超导电路来创建量子比特。他们采用了在模拟中经过优化的配置并将其“冻结”，这意味着他们停止了学习过程，仅仅运行该任务。他们要求机器执行一项被称为“信道均衡”（channel equalization）的通信任务，这涉及清理失真的信号以恢复原始信息。在此项测试中，重构后的配置显著降低了错误率，将错误从接近 10% 降至仅 2% 以上。这一结果优于一个经过精心调优、并在相同时间内寻找最佳设置的标准系统。物理硬件上的成功表明，在模拟中习得的经验可以迁移到嘈杂的现实设备中，证明了系统自我重构的能力不仅是一个理论概念，更是一种实际优势。

研究还探讨了这种学习方法在任务发生变化时的表现。在一系列实验中，系统被要求连续切换到 16 种不同的记忆和预测挑战中。与可能在面对新需求时表现挣扎的固定系统不同，量子神经塑性学习器会针对每个新任务不断调整其内部结构。它保持了学习能力，表明它所做的改变不仅仅是临时修复，而是稳定的改进，使其能够处理各种问题。研究人员指出，当任务要求系统长时间持有信息或处理复杂的非线性模式时，这种益处最为显著。在这些困难场景下，通过重构量子储层（quantum reservoir）的物理连接，提供了一种相对于保持静态的系统明显的优势。

尽管结果令人鼓舞，但研究人员也谨慎地指出了其工作的局限性。实验是在只有少量量子比特的相对较小的系统中进行的，且学习过程本身需要大量的计算机模拟来找到正确的配置。物理测试是在特定类型的量子处理器上进行的，且该系统尚未展示出在不损失性能的情况下无限期记住早期任务的能力。然而，核心发现依然稳固：通过允许量子系统根据性能表现物理上重构其连接，可以增强其记忆力和适应性。这种方法暗示了一条构建量子机器的新路径，使这些机器不再仅仅是快速的计算器，而是能够通过进化自身结构来应对周围世界需求的灵活学习者。