2026年4月3日——在现实任务中，几个原子组成的系统能否胜过庞大的数字神经网络？答案或许是肯定的。中国科学院中国科学技术大学潘建伟教授和李朝凯副教授团队在《物理评论快报》发表的研究表明，在真实天气预报任务中，仅由九个相互作用的自旋构成的量子处理器，其表现优于拥有数千个节点的经典网络。

通过利用叠加和纠缠等独特的量子特性，量子设备提供了信息表征和处理的新方式。近期实验已证明其在特定基准任务上的优势，但将这些优势扩展到实际应用仍具挑战性。尤其许多量子方案依赖复杂电路，难以在当前存在噪声的硬件上精确实现。

该研究团队发现，量子系统的自然动力学可内在地提供强大计算能力，从而规避对深度量子电路的依赖。这催生了储层计算方案——一种受大脑启发的机器学习方法，动态系统能自主处理输入信号并保留记忆，无需精确控制。

在实现过程中，输入信号被编码为量子态，其纠缠演化以经典方法难以模拟的方式自然处理信息。就连通常被视为量子计算障碍的耗散现象，也被转化为调节系统记忆的有用资源。通过顺应而非对抗这些本征动力学，该方法更适配近期量子设备。

利用核磁共振技术，研究人员构建了基于九个相互作用原子自旋的量子储层计算机。在广为人知的NARMA时间序列预测基准测试中，该系统实现了量子实验方案中的最佳性能，较此前基于电路的实现将预测误差降低了一到两个数量级。

在至关重要的天气预报测试中，该量子模型准确捕捉了多日气温变化趋势。值得注意的是，九自旋量子储层的多日预测精度超越了具有数千个节点的经典储层网络（回声状态网络）。

这项研究为“量子机器学习系统能在实际任务中超越规模大得多的经典系统”提供了实验证据。该工作表明，利用现有量子设备的本征动力学而非等待完全容错的量子计算机，或将推动实用化进程。