[论文解读] Quantum reservoir computing with repeated measurements on superconducting devices

Toshiki Yasuda, Yudai Suzuki+7 more|arXiv (Cornell University)|Oct 10, 2023

Neural Networks and Reservoir Computing被引用 7

一句话总结

该论文提出了一种基于超导量子比特重复测量的量子储备池计算（QRC）框架，通过生成时间序列数据显著缩短了执行时间并提高了预测准确性。在IBM量子硬件上的实验结果表明，与传统QRC相比，该方法性能更优，通过优化测量强度可平衡信息可用性与耗散，从而提升计算容量。

ABSTRACT

Reservoir computing is a machine learning framework that uses artificial or physical dissipative dynamics to predict time-series data using nonlinearity and memory properties of dynamical systems. Quantum systems are considered as promising reservoirs, but the conventional quantum reservoir computing (QRC) models have problems in the execution time. In this paper, we develop a quantum reservoir (QR) system that exploits repeated measurement to generate a time-series, which can effectively reduce the execution time. We experimentally implement the proposed QRC on the IBM's quantum superconducting device and show that it achieves higher accuracy as well as shorter execution time than the conventional QRC method. Furthermore, we study the temporal information processing capacity to quantify the computational capability of the proposed QRC; in particular, we use this quantity to identify the measurement strength that best tradeoffs the amount of available information and the strength of dissipation. An experimental demonstration with soft robot is also provided, where the repeated measurement over 1000 timesteps was effectively applied. Finally, a preliminary result with 120 qubits device is discussed.

研究动机与目标

• 解决传统量子储备池计算（QRC）方法执行时间过长的问题。
• 开发一种利用重复测量在超导硬件上生成有效时间序列数据的QRC系统。
• 在真实量子设备上，特别是IBM的超导平台，对所提出的QRC框架进行实验验证。
• 通过调节测量强度，量化并优化系统的时序信息处理容量。
• 通过包含1000个时间步的重复测量的柔性机器人控制任务，展示该方法的实际应用潜力。

提出的方法

• 所提出的QRC系统利用对超导量子比特寄存器的重复投影测量，生成测量结果的时间序列。
• 测量过程引发耗散动力学，作为储备池非线性且具有记忆特性的状态演化。
• 通过调节测量强度，平衡信息提取与系统耗散，以优化计算容量。
• 储备池状态初始化为叠加态，重复测量使态坍缩并重新初始化，从而生成一系列有效的储备池状态。
• 采用标准度量方法量化系统的时序信息处理容量，以评估在不同测量强度下的计算能力。
• 该框架在IBM的量子超导硬件上实现，并通过时间序列预测和柔性机器人控制任务进行实验验证。

实验结果

研究问题

• RQ1 在超导量子比特上进行重复测量如何提升量子储备池计算的执行速度和准确性？
• RQ2 在储备池系统中，何种测量强度能最优地平衡信息可用性与耗散？
• RQ3 所提出的QRC框架是否能实现高于传统QRC方法的时序信息处理容量？
• RQ4 该系统在1000个时间步的柔性机器人控制等实际任务中表现如何？
• RQ5 该重复测量QRC方法在更大规模的超导器件上具有怎样的可扩展性前景？

主要发现

• 在IBM量子硬件上，所提出的QRC框架相比传统QRC方法实现了更高的预测准确率和显著更短的执行时间。
• 识别出最优测量强度，通过平衡信息提取与系统耗散，使时序信息处理容量达到最大。
• 在柔性机器人控制任务中的实验演示成功利用了1000个时间步的重复测量，证实了该系统的实际可行性。
• 该框架已在120量子比特的超导设备上得到验证，表明其具备可扩展性潜力，并有望在未来应用于更大规模的量子系统。
• 时序信息处理容量度量表明，系统的计算能力可通过测量强度进行调节，在中间值处表现出明确的峰值性能。