通过量子储层处理增强量子层析的实验演示

量子机器学习是一门快速发展的学科，它利用量子力学的特性来增强计算任务的性能。量子储层处理无需对量子系统进行精确控制即可实现单个输出层的高效优化，是最通用且实用的量子机器学习技术之一。在此，我们在玻色电路量子电动力学平台上实验演示了一种用于连续变量态重构的量子储层处理方法。该方案通过已知初始态集合的最小测量结果集来学习真实的动力学过程。我们表明，以这种方式学习到的映射对多个测试态实现了高重构保真度，与使用基于系统理想化模型计算的映射相比，性能显著提升。这得益于储层处理的一个关键特性，即能够准确考虑退相干、杂散动力学和系统误差等物理非理想性。我们的结果为稳健的玻色态和过程重构提供了一种有价值的工具，具体展示了量子储层处理在增强实际应用方面的能力。