科学家首次将量子噪声转化为特性，使微型系统得以胜任宏大任务。
多年来，人工智能的进步遵循一条简单的法则：做得更大——更多层、更多连接、更多计算能力。然而，一项新研究给出了不同的答案。
研究人员没有选择规模扩张，而是构建了一个极其微小的系统——一个仅包含九个相互作用的原子自旋的量子系统——并让它去解决通常需要远为庞大的机器才能处理的问题。
结果出人意料。这个微型系统不仅毫不逊色，在诸如预测未来数天温度模式等任务上，甚至超越了拥有数千节点的经典机器学习模型。
研究作者指出：“这首次在实验上证明，量子机器学习在真实世界任务上的表现能够超越大规模经典模型。”
那么，这是否意味着科学家们一直以来对量子计算的探索方向都是错的？
让系统自主思考
量子计算最大的挑战之一在于控制。大多数方法依赖精心设计的量子电路，其中每一步都必须精确执行。
然而，当前的量子硬件会受到环境中微小扰动（噪声）的影响，这些扰动会迅速打乱计算过程。这也是量子计算迟迟未能实现实际应用的原因之一。
研究人员退后一步，尝试了不同的思路。他们借用了机器学习中的一个思想——储层计算。
在这种方法中，你不需要微观管理整个系统。只需输入数据，让系统自行演化，然后读取输出结果。这种智能来源于系统自然处理和重塑输入信息的方式。
研究作者声称：“量子储层计算为机器学习应用提供了卓越的潜力。”
为了实现这一系统，团队利用核磁共振技术控制了九个原子自旋——本质上就是量子层面的微小磁体。这些自旋相互之间发生作用，形成不断变化的内部状态。当输入数据被编码进该系统后，它并不会保持静态，而是以复杂的方式传播、混合和变换。
这正是量子物理发挥作用的地方。系统可以同时存在于多种状态，并发展出强烈的内部关联。因此，即便只有少量组件，也能产生极为丰富的行为模式。
研究人员没有编程每一个步骤，而是让这些动力学过程自然展开，然后从中提取有用信息。
化缺陷为特性
在大多数量子实验中，耗散（系统向环境损失能量的过程）是一个需要消除的问题。它会抹除信息、引入错误。但在这项研究中，耗散被刻意利用了。
为什么？因为预测任务依赖于记忆。要预测接下来会发生什么，系统必须保留之前状态的痕迹——但不能太多。如果它同等记住所有信息，就会被淹没；如果遗忘太快，又会丢失上下文。
耗散提供了一种自然的平衡方式。它逐渐移除较旧的信息，同时让最近的输入对系统产生更强的影响。换句话说，通常被视为噪声的东西，变成了控制记忆的工具。
从基准测试到真实天气
为了验证这一方法的有效性，研究人员首先采用了一个名为 NARMA 的标准测试，该测试常用于评估时间序列预测系统。量子装置在此取得了首个重要成果：与先前的实验性量子方法相比，预测误差降低了一到两个数量级。
然而，基准测试是一回事，真实世界的数据又是另一回事。因此，研究团队转向天气预报，重点关注多日温度变化趋势。尽管系统极为简单，这个九自旋系统仍能以令人印象深刻的精度追踪这些模式。
最引人注目的对比发生在它与一个名为“回声状态网络”（储层计算中一种成熟方法）的经典模型之间的较量。即使将经典系统扩展到数千个节点，这个小得多的量子系统在多日预测中依然表现更优。
研究作者表示：“在长期天气预报中，我们的量子储层实现了比拥有数千节点的经典储层更高的预测精度。这表明，利用当前量子硬件，即可在时间序列预测中获得实用的量子优势。”
重新构想通往实用量子机器的道路
这项工作标志着量子计算发展思路的转变。研究人员不必等待大型、完美受控的量子机器，而是现在就可以从微小、不完美的系统中提取价值——利用其自然动力学，而不是与之对抗。
研究作者补充道：“我们提出了一种基于关联量子自旋系统的新型量子储层计算方法，利用自然的量子多体相互作用来产生储层动力学，从而规避了深层量子电路的实际挑战。”
话虽如此，这种方法仍处于早期阶段。当前系统规模有限，且仅在特定类型的问题上进行了测试。它不是通用计算机，扩大规模将带来新的挑战。
尽管如此，这项研究提供了一个非常重要的启示：进步并非来自不断做加法，而是来自更智慧地利用已有之物。
该研究发表于《物理评论快报》期刊。
如果朋友们喜欢，敬请关注“知新了了”！
热门跟贴