量子科技中心_量科网

材料性能退化预测是许多工业领域亟待解决的重要课题。湿度、温度等环境条件是材料退化过程的主要驱动因素，其中腐蚀是最突出的问题之一。量子机器学习虽是一个前景广阔的研究领域，但仍面临诸如贫瘠高原现象和测量成本过高等公认缺陷。针对这一问题，近期研究探索了使用量子储备池计算来解决时间序列预测任务。尽管该思路颇具前景，但在当前量子设备有限深度的约束下，开发具有足够表达能力的量子电路仍具挑战性。 经典储备池计算领域曾提出洋葱回声状态网络模型（ESN）[https://doi.org/10.1007/978-3-031-72359-9_9]，通过利用覆盖特征值谱不同区域的多个小型储备池串联，增强了嵌入表征结构的可解释性，这些子储备池对应不同时间尺度。本研究将这一理念引入量子储备池计算，通过同时演化多个小型量子储备池，在保持电路深度较浅的前提下更有效地捕捉所有关键时间尺度。该团队通过调整旋转角度来改变量子演化的特征值，同时发现调节电路中途测量次数也能实现改变长短期记忆的相同目标。 实验表明，这种洋葱结构量子储备池在预测铝合金不同环境条件下的退化表现时，优于简单模型和单一经典储备池。当与附加的经典储备池层结合时，预测精度得到进一步提升。