量子科技中心_量科网

量子机器学习算法最近在光子平台上引起了广泛关注。尤其值得注意的是，可重构集成光子电路因其可实现自适应反馈回路的特点，为实现神经网络特有的必要非线性行为提供了理想途径。该研究团队在此实现了一种量子储层计算方案——通过可重构线性光学集成光子电路处理信息，并采用单光子探测器进行测量。 该工作利用基于多光子的实验装置，在多种场景下完成了时间序列预测任务。其中输入信号被编码至电路的光学相位中，从而调控量子储层态。最终输出的概率分布用于设置反馈相位，并通过线性回归训练经典数字层进行预测计算。研究人员重点探究了输入光子不可区分性对储层预测能力的影响，实验证实双光子不可区分态比可区分态具有显著优越的性能提升。这种增强源于不可区分态中的量子关联效应，使得系统在相同物理资源条件下能逼近更高阶非线性函数，突显了量子干涉与不可区分性作为光子量子储层计算关键资源的重要价值。