[论文解读] Quantum reservoir computing: a reservoir approach toward quantum machine learning on near-term quantum devices

Keisuke Fujii, Kohei Nakajima|arXiv (Cornell University)|Nov 10, 2020

Neural Networks and Reservoir Computing被引用 5

一句话总结

本文提出量子储备池计算（QRC）作为一种在近期含噪声中等规模量子（NISQ）设备上实现量子机器学习的实用方法。通过利用量子系统（特别是横向场伊辛模型）的复杂非线性动力学作为固定、高维的储备池，QRC 通过简单的线性读出完成时间序列机器学习任务。该方法成功实现了对混沌吸引子（Lorenz、Mackey-Glass、Rössler、Hénon）的精确长期预测与相空间结构重建，证明了其在当前量子硬件上的可行性与有效性。

ABSTRACT

Quantum systems have an exponentially large degree of freedom in the number of particles and hence provide a rich dynamics that could not be simulated on conventional computers. Quantum reservoir computing is an approach to use such a complex and rich dynamics on the quantum systems as it is for temporal machine learning. In this chapter, we explain quantum reservoir computing and related approaches, quantum extreme learning machine and quantum circuit learning, starting from a pedagogical introduction to quantum mechanics and machine learning. All these quantum machine learning approaches are experimentally feasible and effective on the state-of-the-art quantum devices.

研究动机与目标

• 开发一种适用于近期量子设备（受限量子比特数与高噪声）的实用量子机器学习框架。
• 利用量子系统固有的非线性和记忆丰富动力学作为计算储备池，而无需进行完整的量子算法合成。
• 证明量子储备池能够执行复杂的时间序列任务，如混沌时间序列预测与吸引子重构。
• 建立储备池计算与量子机器学习之间的桥梁，实现在当前硬件上高效且可实验实现的方案。

提出的方法

• 量子储备池被实现为一个完全连接的横向场伊辛模型，其耦合强度 $ J_{ij} \in [-0.5, 0.5] $ 随机分布，且局部场 $ h = 1.0 $ 固定。
• 系统在哈密顿量 $ H = \sum_{ij} J_{ij} X_i X_j + h Z_i $ 下演化，响应输入序列产生瞬态动力学。
• 输入信号以固定时间间隔 $ \tau = 4.0 $ 注入储备池，每一步时间对储备池状态进行采样，形成高维特征向量。
• 通过最小二乘回归训练一个线性静态读出层，将储备池状态映射到目标输出，以最小化训练序列上的预测误差。
• 训练完成后，系统切换至自主模式，输出被反馈为输入，以生成无需进一步学习的长期预测。
• 采用空间复用技术提升性能，通过组合多个共享输入序列的储备池实现。

实验结果

研究问题

• RQ1 近期量子系统的复杂非线性动力学能否作为时间序列机器学习任务的有效储备池？
• RQ2 量子储备池在多大程度上能够模拟 Lorenz 和 Mackey-Glass 等混沌动力系统？
• RQ3 在仅用短序列进行训练后，量子储备池能否准确预测时间序列的未来状态？
• RQ4 量子储备池在延迟相空间中对混沌吸引子的几何结构重建效果如何？

主要发现

• 在自主模式下，量子储备池对 Lorenz、Mackey-Glass、Rössler 和 Hénon 吸引子的模拟在数百个时间步内均保持高度准确。
• 预测动力学的延迟相图与真实吸引子高度吻合，证实了拓扑结构与混沌行为的保持。
• 该系统对所有测试的混沌系统均实现了稳定且准确的长期预测，证明了量子储备池记忆与非线性的鲁棒性。
• 该方法在储备池训练后仅需线性读出，计算效率高，适合 NISQ 时代设备。
• 空间复用的使用通过增强储备池的容量与特征表达能力，提升了整体性能。
• 该方法在当前量子硬件上具有实验可行性，因其无需误差纠正或深度量子线路。