量子科技中心_量科网

量子储层计算是一种机器学习框架，相比其他量子神经网络模型更易于训练，因为它不依赖基于梯度的优化方法。该框架通过单步学习量子系统测量获得的输出特征完成训练。目前已有多种量子储层计算实施方案在仿真环境中得到验证，这些方案采用了不同的测量特征。虽然仿真实验表明量子储层相较经典储层具有性能优势，但实验性实现仍较为罕见——这源于获取大量输入数据非线性变换输出特征的技术挑战。 该研究团队提出并实验验证了一种基于电路量子电动力学架构的新型量子储层计算平台，该平台由耦合超导量子比特的单一腔模构成。通过将输入数据编码为相干驱动振幅并在福克基矢上测量腔态，研究人员从单一物理系统中获取了大量非线性特征。在两项经典分类任务中，该方案展示出相较于经典神经网络显著的硬件资源节约与测量特征缩减优势。数值模拟结果证实，额外的克尔非线性效应有助于提升储层性能。这项工作展示了一种硬件高效的量子神经网络实现方案，该方案可进一步扩展并推广至其他量子机器学习模型。