🧬 biology

Coherent-feedback and dissipative training of quantum reservoir computers

本文引入并验证了两种用于量子储备池计算的无测量训练协议，证明了尽管这些协议目前尚未在自主预测方面展现出优于经典方法的能力，但它们通过确认高保真度复位已足够、相干代价算谕（cost-oracle）精度是主要瓶颈，以及容错实现具有量子比特高效性和对设备噪声的鲁棒性，成功解决了关键的可行性问题。

原作者： Hikaru Wakaura, Taiki Tanimae

发布于 2026-10-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Hikaru Wakaura, Taiki Tanimae

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

在机器学习领域，计算机经常在处理随时间展开的数据时感到吃力，例如语音、金融市场或天气模式。为了解决这个问题，科学家们使用了一种称为“储备池计算”（reservoir computing）的方法。想象一台复杂且不可更改的机器，它接收信息流，并将其通过一个庞大而错综复杂的连接网络进行处理。这台机器，即“储备池”，将原始输入转化为丰富的、高维度的模式。随后，计算机只需要学习一种简单的线性方式，从这种模式中读取输出，从而做出预测。这种方法之所以高效，是因为繁重的计算工作是由这台固定的机器完成的，而不是通过缓慢的学习过程。

科学家们长期以来一直想知道，如果用量子机器取代经典机器，是否会带来巨大的优势。量子系统可以同时存在于多种状态中，为处理信息提供了指数级扩大的空间。然而，一个主要的障碍始终在于如何训练这些量子系统。在标准的量子计算中，学习通常需要测量系统以观察其表现如何。但测量量子系统就像是为运动中的物体拍下一张照片，这会破坏脆弱的量子态，并且与量子操作本身的速度相比极其缓慢。这一瓶颈使得量子机器学习在处理实际任务时难以实现实用化。

东京量子集成研究中心（Quantum Integrated Research Institute in Tokyo）的一个研究小组现在探索了一条不同的路径。他们提出了一个问题：量子计算机能否在从不停止测量自身状态的情况下进行学习？他们没有通过观察结果来决定如何改进，而是提出了一种让计算机根据连续且隐形的反馈回路来调整自身设置的方法。他们开发了两种截然不同的方法。第一种方法使用了一个巧妙的技巧，将有关如何改进的信息编码进系统的隐藏相位中，然后将其反馈以在系统重置前调整设置。第二种方法则依赖于开放系统趋向于稳定状态的自然特性；通过精心设计环境，系统会自然地向最理想的配置“放松”过去，就像一个小球滚下山坡寻找最低点一样。

研究人员使用小型且简化的量子系统进行了模拟测试。他们发现，这两种方法都能成功引导量子计算机进行学习，其表现能够匹配依赖测量的传统训练方法。在他们的模拟中，该系统能够成功预测混沌序列（如 Mackey-Glass 模型中波动的天气模式）的下一步，其预测准确度较未经训练的系统有所提升。然而，结果是细致且具有层次感的。虽然量子系统在预测混沌序列的紧随其后的下一步时表现出明显的进步，但在独立预测该序列的长远未来时，它并未超越最优秀的经典计算机。该研究明确排除了这样一种观点，即这种特定的方法目前在自主预测方面提供了“量子优势”，这意味着在长程预测方面，它还不是现有经典方法的明确胜者。

这项工作的一个重要部分是弄清楚在真实的、容错的量子计算机上构建此类系统需要具备什么条件。研究人员计算出，这样一台机器不需要数百万个量子比特（即量子信息的最小单位），仅需大约一万个物理量子比特即可处理训练过程。他们发现，真正的挑战不在于量子比特的数量，而在于运行计算所需的时间。该过程受限于计算机循环执行操作的速度，而非硬件的匮容量。此外，他们确定了最关键的组件是一个“代价预言机”（cost oracle），即一个告知系统预测偏差程度的机制。他们发现，一种被称为“参数平移规则”（parameter-shift rule）的特定数学技术，可以使这种机制比预想中更加精确且易于构建，从而消除了实现过程中的主要障碍。

为了证明他们的想法不仅仅是理论，团队还在 IBM 提供的实际量子硬件上运行了优化后的量子电路。他们使用了三台不同的 156 位量子比特机器，在各种条件下测试了电路，以观察它们在面对现实世界设备中不可避免的噪声和误差时的表现。结果令人鼓舞：量子电路产生的输出与理想的无噪声模拟结果高度一致，具有很高的相关性。这表明他们设计的特定量子态足以在当前技术的缺陷中生存下来。然而，由于目前的硬件尚不支持这种特定的功能，完整的训练循环（即需要在电路中间进行复杂的连续反馈和重置量子比特的操作）无法在这些机器上进行完整测试。

这项研究总结道，虽然这种无需测量的处理方式目前还无法解决战胜经典计算机进行长程预测的问题，但它成功展示了一条在不通过缓慢且具破坏性的测量步骤的情况下训练量子系统的可行路径。研究人员已经证明，用于消除熵并重置系统的硬件已经足够成熟，而主要的瓶颈在于反馈机制的精度，而这一点可以通过已知技术得到改进。这项工作起到了“风险对冲”的作用，它明确了工程挑战所在，并确认了前进的方向是提高速度与精度，而非发现全新的物理学。随着未来能够执行此类连续反馈循环的硬件出现，通往量子储备池计算全潜力的门扉正被缓缓开启。

技术摘要：量子储备池计算的相干反馈与耗散训练

问题陈述

量子储备池计算（QRC）具有利用指数级庞大的量子态空间进行时间数据处理的潜力。然而，优化 QRC 参数的一个根本障碍是对测量的依赖。在当前硬件（离子阱、超导）中，中途测量（mid-circuit measurement）的速度比逻辑门操作慢几个数量级，并且会使波函数坍缩，从而破坏了对储备池计算至关重要的相干动力学。基于测量结果的经典前馈引入了显著的延迟和误差。虽然最近在无测量量子纠错（QEC）方面的进展表明，可以通过相干反馈和辅助重置来导出熵，但对于是否可以使用类似的无测量原语在不牺牲训练效能的前提下优化 QRC 参数，仍是一个悬而未决的问题。

方法论

作者提出并评估了两种旨在优化 QRC 可训练读出层 $U_{ro}(\theta)$ 以最小化均方误差损失 $C(\theta)$ 的无测量训练原语。

协议 A：相干反馈梯度编码

该协议将 Jordan 的相位反冲（phase-kickback）机制应用于 QRC 训练。

机制： 一个准备在 $|+\rangle$ 态的辅助比特控制参数 $\theta_i$ 的 $\pm \delta$ 偏移。相位算子将代价差异 $e^{-i\gamma(C(\theta+\delta) - C(\theta-\delta))}$ 施加到辅助比特上。
梯度提取： 辅助比特的相对相位编码了梯度。通过耗散重置（建模为保真度为 $F$ 的部分迹运算）来回收辅助比特。
更新： 在全相干实现中，辅助比特的相位为量子参数寄存器的幺正旋转提供条件，从而在无需测量任何期望值的情况下执行梯度下降。
风险规避： 研究隔离了非理想因素：相位算子线性化、寄存器量子化和重置不保真度。它使用精确的**参数移位规则（parameter-shift rule）**取代了初始的有限差分算子，以避免在近乎相等的代价值进行有限差分时产生的灾难性抵消误差。

协议 B：耗散梯度流

该协议将梯度下降实现为工程化开放系统的弛豫过程。

机制： 参数被离散化到拟量子（qudit）上，并在 Lindblad 主方程下演化。
动力学： 具有 Metropolis 率 $r_{j \to k} \propto \min(1, e^{-\beta(C_k - C_j)})$ 的最近邻跳跃算子驱动系统趋向于 Gibbs 态 $\rho_{ss} \propto e^{-\beta C}$ 。
优化： 当 $\beta \to \infty$ 时，稳态会集中在全局最小值处。这种方法消除了对相干相位算子的需求，但需要设计依赖于代价差异的耗散率，并面临平衡时间惩罚。

资源分析与基准测试

容错估计： 作者使用真实的电路合成（Ross–Selinger）和容错算术（Toffoli 计数）进行了严格的资源统计。他们将逻辑成本映射到表面码物理比特和运行时间。
基准测试： 协议在三个任务上进行了测试：NARMA10、记忆容量（MC）和混沌 Mackey-Glass 系统。它们分别与经典回声状态网络（ESN）、次世代储备池计算（NGRC）以及记忆增强型混合模型进行了比较。
硬件验证： 在三个 IBM Quantum Heron 后端（156 个量子比特）上执行了经过模拟优化的状态，并测试了不同的误差缓解水平（无、TREX、零噪声外推）。

关键结果

1. 训练效能与梯度保真度

协议 A： 在通道级模拟中，协议 A 匹配精确梯度训练。即使在实验证明的重置保真度为 $F=0.955$ 的情况下，只要使用足够的寄存器位数（ $m \ge 4$ ），梯度方向保真度仍保持在高水平（ $\cos \approx 0.96-0.99$ ）。
瓶颈： 主要限制不在于重置保真度，而在于相干代价算子的精度。有限差分方法会遭受灾难性抵消，要求算子精度 $\epsilon \le 0.06$ 。切换到精确的参数移位规则将此要求放宽至 $\epsilon \le 0.20$ （提升了 2.5 倍），从而消除了有限差分的抵消问题。
协议 B： 协议 B 成功地将参数分布集中在最小值附近（Gibbs 集中），但受限于平衡时间，该时间随 $\beta$ 和势垒高度呈陡峭比例增加。

2. 时间任务表现

单步预测： 在混沌 Mackey-Glass 任务上，无测量训练（结合记忆增强）与未训练的储备池相比，在单步预测误差方面取得了统计学上显著的改进（NMSE 从 $0.041 \pm 0.009$ 降至 $0.029 \pm 0.013$ ）：这与精确梯度训练的表现不可区分（基于 30 个种子实验）。
自主预测： 至关重要的是，研究发现无测量训练的 QRC 相比于经典基准（ESN, NGRC）在自主自由运行预测（多步预测）中并无优势。量子储备池的自由运行时界表现出巨大的方差，且未能超越经典性能。
记忆容量： 极小规模的量子储备池表现出微不足道的记忆容量（ $MC < 0.1$ ），与经典基准相比。记忆增强（经典延迟嵌入）虽然提高了性能，但在所有任务上仍未能弥合与 ESN 之间的差距。

3. 容错资源估计

量子比特数： 容错实现需要大约 $10^4$ 个物理量子比特（具体在误差率为 $10^{-4}$ 时约为 $1.1 \times 10^4$ ），这被认为是一个适中的预算。
运行时间约束： 核心资源是运行时间，而非量子比特数量。在超导循环中，单个梯度步估计需要 $\sim 21$ 小时（或在离子阱循环中需 $\sim 89$ 天）。一个完整的优化过程（乘以研究中 40 个梯度步）估计在超导硬件上端到端需要 $\sim 5$ 周（或在离子阱循环中需 $\sim 10$ 年），且未进行并行化处理。
硬件鲁棒性： 模拟优化的状态在 IBM Heron 后端上表现出高相关性（ $\ge 0.97$ ）和低 RMSE（信号展宽的 7–26%），证实了优化后的状态对当前设备噪声具有鲁棒性，尽管完整的相干反馈回路目前尚无法在这些设备上实现。

重要性与主张

作者明确表示并未声称在储备池计算性能上具有量子优势。本研究的意义在于为无测量 QRC 训练铺平道路，实现了“风险对冲”：

重置已足够： 实验证明的重置保真度（ $F=0.955$ ）足以进行训练；熵的移除并非瓶颈。
算子精度是约束： 真正的障碍在于相干代价算子的精度。论文指出，参数移位规则是避免有限差分抵消的关键设计规则，显著降低了硬件实现的精度目标。
规模的可行性： 容错实现是可行的，仅需 $\sim 10^4$ 个物理量子比特。挑战在于工程化循环周期和蒸馏吞吐量，而非量子比特数量。
诚实的基准测试： 本工作提供了保守且诚实的评估：无测量训练原语成功复现了精确梯度行为，并在单步预测中有所提升，但在测试的任务中未能展示出在自主预测方面超越经典方法的表现。

研究结论认为，剩下的差距在于实现相干反馈回路本身，这也是下一代无测量硬件的目标。