离子化样本量子储备计算机在混沌动力学预测中的最优训练

在当前的噪声中间规模量子 (NISQ) 时代，噪声会损害量子计算算法的性能。量子储备计算 (Quantum Reservoir Computing, QRC) 是一种量子机器学习算法，然而可以从不同类型的调控噪声中受益。本文分析了有限抽样噪声对 QRC 和无 recurrence Quantum Reservoir Computing (RF-QRC) 混沌时间序列预测能力的影响。首先，我们表明，即使没有循环结构，RF-QRC 仍可通过使用漏集成神经元获取前驱储备状态的时序信息。这使 RF-QRC 不同于量子极端学习机 (Quantum Extreme Learning Machines, QELM)。其次，我们表明，有限抽样噪声会损害两种 QRC 的预测能力，由于噪声的传播，QRC 的性能受到的影响更大。第三，我们采用两种方法优化有限抽样量子储备计算框架的训练：(a) 对包含噪声储备激活状态数据矩阵进行奇异值分解 (Singular Value Decomposition, SVD)；(b) 采用数据滤波技术消除噪声储备激活状态中的高频分量。我们表明，去除噪声的储备激活状态可提高信噪比并降低训练损失。最后，我们演示了在多个量子处理单元 (Quantum Processing Units, QPUs) 上，对 RF-QRC 中噪声储备激活信号的训练和去噪具有高度的可并行性，而与具有循环连接的 QRC 架构相比。这些分析在与湍流相关的原型混沌动力学系统上进行了数值展示。本工作为在近期量子硬件上使用有限样本进行时间序列预测开辟了机遇。