通过哈密顿储层计算实现鲁棒量子学习

量子学习通过利用高维 Hilbert 空间固有的表示能力，为信息处理提供了一种通用范式。在这里，我们研究了一个用于量子储层计算的哈密顿编码框架，该框架同时解决了量子学习中的三个关键挑战：可训练性、硬件效率和信息稳定性。在这个框架中，输入数据直接映射到固定的哈密顿量上，并通过量子动力学演化转化为富有表现力的非线性特征。通过采用储层计算范式，该方法自然地规避了量子学习景观中的贫瘠高原问题。我们在两个互补的平台上验证了该框架：一个模拟超导阵列处理器和一个数字门基量子电路实现。尽管它们的实现根本不同，但两个平台都展现出可比的表示能力并实现了具有竞争力的学习性能，建立了一个跨平台量子学习的统一框架。虽然两种实现都实现了可比的性能，但模拟处理器可能通过绕过基于门分解的时间开销，从而更有效地利用有限的相干时间，提供了一种更高效的硬件实现，尽管以牺牲通用性为代价。此外，我们发现有限的耗散抑制了长演化时间下由量子置乱引起的不稳定性，并可以提高学习性能，揭示了环境耦合在稳定量子学习动力学中的建设性作用。总而言之，这些结果确立了哈密顿编码的储层计算作为当前一代量子平台上一种紧凑、富有表现力且硬件高效的量子学习范式。