Resource map of quantum reservoir computing against tuned classical baselines

在构建能够从数据中学习的机器的竞赛中，科学家们长期以来一直从大脑的架构中寻找灵感。一种被称为“储备池计算”（reservoir computing）的强大方法，并不将一个复杂的系统视为一个等待编程的空白板，而是将其视为一个固定的、混沌的景观。想象一下向池塘中投掷一颗石子；向外扩散的涟漪是由水的自然动力学产生的独特且复杂的图案。在这种计算模型中，“池塘”是一个物理系统——例如自旋网络或光波——它接收输入信号并产生丰富的、高维的涟漪图案。机器不需要学习如何制造这些涟漪，它只需要学习如何读取它们以解决问题。这种方法之所以具有吸引力，是因为训练复杂的“池塘”既缓慢又耗能，而读取涟漪则既快速又廉价。最近，研究人员开始好奇量子系统——即粒子可以同时存在于多种状态之中的奇特亚原子世界——是否可以充当这些“池塘”。由于量子系统可以产生随着粒子增加而呈指数级增长的图案，因此一个小型的量子设备在理论上可能拥有大型经典计算机的复杂性，从而为解决难题提供捷径。

东京量子集成研究所（Quantum Integrated Research Institute）的若浦光（Hikaru Wakaura）开展的一项新研究，旨在精确绘制这种量子优势究竟存在于何处，如果它确实存在的话。研究人员并非简单地将一台量子机器与一台经典机器进行对比；相反，他们构建了一个覆盖数千种场景的庞大且详尽的图谱。他们模拟了57种不同类型的量子储备池，从旋转原子的链条到腔体中的光波，并针对49种不同的任务进行了测试，涵盖了从预测天气模式到分析复杂信号等领域。至关重要的是，他们将这些量子系统与三类经过精心调优和优化的经典机器进行了对决。该研究还考虑了运行这些实验的现实成本，包括为了获得可靠结果必须重复测量次数的因素，而这一因素在理论性声明中经常被忽略。其目标是观察任何量子设置是否能在准确性和运行所需的资源方面，都击败表现最好的经典版本。

这项广泛调查的结果出人意料地清晰：对于几乎所有涉及标准数据的任务，量子储备池都没有胜出。当经典机器获得同样的调优和优化机会时，它们始终表现得比量子系统更好。事实上，在近千次不同的比较中，量子模型的误差率通常比最好的经典模型高出数百倍。即使量子系统使用的资源较少，它们的准确度也并不足以投入使用。研究发现，特定的量子特性，例如同时测量两个粒子的能力或某些类型的噪声的存在，虽然略微提升了量子性能，但不足以弥补差距。一种特定的量子设置，涉及特殊腔体中的光波，在与使用完全相同设置的简化版经典版本对比时，表现得更好。然而，一旦允许经典版本通过调整其设置来寻找最佳性能，它便大幅超越了量子版本。量子系统真正表现卓越的情况，仅在于输入数据本身具有根本性的差异。

只有当输入是一个“黑盒”预言机（oracle）时——即一种提供答案但不揭示底层结构或模式的信息源——突破才会发生。在这些特定测试中，量子系统充当了两个隐藏函数之间关系的探测器。当这些函数在每一步都是全新的且随机的，导致经典计算机无法学习其规则时，量子系统取得了决定性的胜利。它比任何经典方法所能处理的查询次数都要少，便解决了问题。然而，一旦研究人员在输入中引入了固定的结构，例如已知的数学规则或可以随时间学习的模式，量子优势便消失了。经典算法找到了瞬间解决问题的捷径，使得量子机器复杂的动力学变得不再必要。研究结论指出，量子储备池计算的力量并不来自于机器本身的复杂性，而来自于它接收信息的性质。如果数据具有经典计算机可以学习的隐藏结构，那么量子机器便无法提供优势。这项技术的真正潜力仅在于那些输入信息是真正的谜团、即一个无法用任何已知经典规则来描述或预测的动态过程的情景。

这一发现重塑了该领域的发展路径。它表明，构建更好的量子储备池的工作重点不应放在让机器变得更复杂或更难模拟上，而应在于识别那些数据真正晦涩且无结构的现实世界问题。该研究为如何利用现有的超导电路构建此类实验提供了具体的路线图，估计处理单个步骤大约需要16纳秒。它还强调了在现实世界中运行这些实验的巨大成本，指出完成一个完整的任务可能需要数小时的连续操作才能收集到足够可靠的数据。通过将炒作与现实区分开来，这项工作阐明了量子储备池计算并非所有机器学习的通用升级版，而是一种针对非常特定类型问题的专门工具：即答案隐藏在一种任何经典计算机都无法洞察的方式之中的问题。