近日，复旦大学李晓鹏团队与中国科学技术大学彭新华、李兆凯团队合作，在量子储层计算用于气象时间序列预测研究方面取得新进展。相关成果以 High-Accuracy Temporal Prediction via Experimental Quantum Reservoir Computing in Correlated Spins 为题，发表于《Physical Review Letters》。

时间序列预测是机器学习的重要任务之一，在气象预报、金融分析、工业监测等领域具有广泛应用。量子储层计算是一类适合处理时间序列的量子机器学习框架，其核心思想是利用复杂动力学系统对输入信息进行高维映射，并保留对近期输入的短时记忆，从而实现对时序数据的有效学习与预测。

与依赖深层量子线路人为构造复杂演化的方案不同，该工作直接利用相关自旋体系中天然存在的多体量子关联和复杂自旋动力学来构建量子储层，从而显著降低控制开销，提高实验可实现性。更重要的是，研究团队将通常被视为限制因素的弛豫与耗散部分转化为可利用的计算资源，使系统自然获得适合时序学习的“渐消记忆”（fading memory）能力，能够持续处理具有时间相关性的输入信息。与此同时，团队还引入时间复用等方法，在不增加额外硬件负担的情况下有效提升读出维度，进一步释放小规模量子系统的计算潜力。

在国际通用的 NARMA 时间序列基准测试中，该实验实现了比此前量子储层计算实验低 1 至 2 个数量级的预测误差，达到当前实验量子储层计算的先进水平。在更具现实意义的气象数据长期预测任务中，仅由 9 个量子比特构成的量子储层系统，就表现出与大尺度经典储层网络相竞争、并在部分设置下更优的预测能力；结合非线性后处理后，温度预测精度进一步超过数千节点的经典回声状态网络。论文指出，这一结果构成了量子机器学习在真实任务上优于大尺度经典模型的首次实验演示，为量子机器学习迈向实际应用提供了重要实验支撑。

这项工作的意义不仅在于获得了更高的预测精度，也在于揭示了一个重要认识：在量子信息处理中，噪声与耗散并不一定只是限制因素，也可以被转化为有用的计算资源。该研究为面向真实场景的量子时序信息处理提供了新的实验路径，也为进一步探索量子机器学习的实际优势打开了新的方向。

据介绍，复旦团队下一步将继续与相关单位开展合作，结合已研制的千比特量子计算系统，探索更高维度、更复杂气象预测场景中的量子储层计算应用，进一步检验其规模化潜力。

相关研究获得科技部、国家自然科学基金委、上海市科委战略前沿专项等支持。