[论文解读] Neuromorphic computing with a single qudit

William D. Kalfus, Guilhem Ribeill+4 more|arXiv (Cornell University)|Jan 27, 2021

Neural Networks and Reservoir Computing参考文献 24被引用 9

一句话总结

本文证明，一个单一的 qudit（d 个量子态的量子系统）可作为神经形态计算中极为高效的量子储层，其在信号处理和短期记忆任务中的表现优于经典储层。关键结果是，性能优势具有鲁棒性且与维度相关，随着希尔伯特空间大小（d）的增加而增强，表明量子储层计算（QRC）利用了指数增长的态空间，从而在计算能力上显著优于经典模型。

ABSTRACT

Accelerating computational tasks with quantum resources is a widely-pursued goal that is presently limited by the challenges associated with high-fidelity control of many-body quantum systems. The paradigm of reservoir computing presents an attractive alternative, especially in the noisy intermediate-scale quantum era, since control over the internal system state and knowledge of its dynamics are not required. Instead, complex, unsupervised internal trajectories through a large state space are leveraged as a computational resource. Quantum systems offer a unique venue for reservoir computing, given the presence of interactions unavailable in analogous classical systems, and the potential for a computational space that grows exponentially with physical system size. Here, we consider a reservoir comprised of a single qudit ($d$-dimensional quantum system). We demonstrate a robust performance advantage compared to an analogous classical system accompanied by a clear improvement with Hilbert space dimension for two benchmark tasks: signal processing and short-term memory capacity. Qudit reservoirs are directly realized by current-era quantum hardware, offering immediate practical implementation, and a promising outlook for increased performance in larger systems.

研究动机与目标

• 研究单个 qudit 储层是否能在神经形态计算任务中优于经典储层。
• 确定量子储层计算（QRC）的计算性能如何随希尔伯特空间维度（d）变化。
• 通过使用单一物理系统，隔离量子动力学的影响，避免网络拓扑等混杂因素的干扰。
• 证明使用当前时代量子硬件（如超导量子比特或离子阱）实现 QRC 的可行性。
• 阐明量子储层在何种条件下能获得相对于经典对应物的性能优势。

提出的方法

• 研究通过使用类似 Duffing 的相互作用，建立具有非线性哈密顿量的单个 qudit 储层模型，以生成复杂且非线性的动力学。
• 通过时间依赖的哈密顿量项编码输入信号，储层状态在内部动力学和输入的共同作用下进行单位演化。
• 在离散时间间隔处，通过固定一组基算符的期望值采样储层输出，形成时间序列向量。
• 通过标准监督学习训练线性读出层（岭回归），将储层输出映射到期望的任务输出。
• 通过两个标准任务进行性能基准测试：信号处理（以决定系数 r² 衡量）和短期记忆容量（STMC）。
• 模拟比较了 d ≥ 2 的 QRC 与基于 Duffing 振子的对应经典储层模型，所有参数均匹配以确保公平比较。

实验结果

研究问题

• RQ1 单个 qudit 储层在神经形态计算任务中是否提供相对于经典储层的性能优势？
• RQ2 量子储层计算的性能如何随希尔伯特空间维度 d 的增加而变化？
• RQ3 在 QRC 中，最大化短期记忆容量的最优保持时间（Δt）是多少？其与经典储层有何不同？
• RQ4 量子储层能否实现高于经典储层的记忆容量？这种优势是否依赖于 d？
• RQ5 qudit 的完整希尔伯特空间在 QRC 中在多大程度上可作为计算空间被利用？其利用受到何种限制？

主要发现

• 当 d ≥ 3 时，QRC 明显优于经典储层计算（CRC），其最优保持时间（Δt = 0.5/κ 对 QRC，Δt = 5/κ 对 CRC）显示出明显的操作差异。
• QRC 的短期记忆容量（STMC）随希尔伯特空间维度 d 单调增加，在 d > 4 后趋于饱和，且始终远高于 CRC 所能达到的最大 STMC。
• 在信号处理任务中，当 d ≥ 3 时，QRC 的决定系数 r² 衰减更慢，表明记忆寿命更长且信号保真度更高。
• QRC 与 CRC 的性能差距在 d ≥ 3 时最为显著，表明只有真正的量子储层（而非量子比特级模型）才展现出根本性的计算优势。
• 结果表明，完整希尔伯特空间并未被完全用作计算空间，性能受限于内部动力学的复杂性以及单一变量输出方案。
• 本研究证实，使用单个 qudit 的 QRC 可直接在当前的量子硬件平台（如超导电路和离子阱）上实现。