跳到主要内容
返回时间线
arXiv来源发表:

量子储备池学会按线索选流:精确读出能复现被提示的一路,有限采样则要足够多才超过线性基线

核心概要

量子储备池计算被赋予一项新的选择性任务:两路同步输入同时到达,一个二元线索指明该复现哪一路,输出要在每一步给出被提示那一路的当前值。在无序自旋储备池中只训练线性读出,无限次测量(精确期望值)下储备池能准确复现被提示的流;测量次数有限时,由于采样噪声,只有测量足够多时其得分才超过对原始输入的线性读出。得分随纠缠与计算基相干性升高而上升,随后饱和。

Source-provided article image: Quantum Reservoir Computing for Attention-like Selective Reproduction
arXiv

深度剖析

量子储备池现在可以完成一项此前只在经典储备池和皮层动力学中讨论过的操作:按线索在两路同时到达的输入中选出该复现的一路,并在每一步输出被选中流的当前值。 此前的相关储备池任务只要求按线索做一次试次级的选择,并不要求连续复现被选中的流;另有一项自旋网络任务把两路输入注入不同量子比特并输出二者乘积,没有选择线索。 在8量子比特储备池上,对两路流与线索做线性读出达不到满分,而同时获得线索与流乘积的双线性读出达到满分;储备池在有效线索下的得分高于同一储备池、同一输入但线索被打乱的对照。

选择规则由固定的量子演化与输入编码共同形成,读出层保持线性,因此非线性组合不需要在训练中学习。 储备池本身从不针对任务训练,全部学习集中在岭回归拟合的线性读出上,读出特征取单体和两体计算基关联量。 在无限次测量(精确期望值)下,8量子比特储备池在较宽的耦合范围内有效线索得分很高;在有限测量下,得分随测量次数增加而上升,并在测量足够多时越过对原始输入的线性读出。

储备池规模与测量次数必须一起考虑:更大的储备池提供更多精确特征,但在采样有限时反而可能得分更低。 在无额外退相位时,精确期望值读出让得分随比特数增加而提高;而在有限测量下这一趋势反转。 在测量次数较少时,得分随比特数从4增至8而下降;在测量次数较多时各规模都超过线性基线,但得分在中间规模附近达到峰值后回落。

启示与展望

演示是数值的,输入为合成流,读出只使用单体和两体观测量,纠缠按预先声明的三量子比特输入块对其余量子比特的划分计算,相干性只在计算基下报告。作者提出的下一步是在自旋、里德堡或电路器件上用固定演化实现这一类任务,并让结果在有限测量记录中仍然可见。

有限测量下的阈值被作者称为模拟层面的乐观下界,因为态制备、复位、门和测量误差以及漂移都被排除;测量模型假设无测量反作用,需按重启协议重放输入前缀,成本随步数累积。纠缠与相干性对得分的关联是定性的:两者量程不同、相干性样本使用的储备池种子更少,且在完全退相位时两者在读出时都趋于零而平均得分仍高于线性基线。反转注入顺序在有限测量下改善得分,其机制仍未确定。