量子科技中心_量科网

量子储层计算通过利用丰富的量子动力学建模序列数据，为时间序列学习提供了一条前景广阔的路径——仅需在轻量级经典读出层进行训练。然而，当前文献中兼具高效性、可实施性的量子储层架构与具备学习理论保证的模型研究仍属稀缺。为此，该研究团队提出QuaRK这一端到端框架，将硬件可行的量子储层特征提取器与基于核函数的读出方案相结合。该框架将样本点序列依次注入储层，通过经典阴影层析技术高效测量k局域可观测量，生成紧凑特征向量，随后采用带显式正则化的经典核读出器快速优化学习目标映射。该流程清晰展示了三大可调节计算参数（电路宽度/深度及测量预算），同时保持核方法对非线性时间泛函的建模灵活性，并能扩展至高维数据。研究团队进一步为依赖型时序数据提供了学习理论的泛化保证，将设计选择与资源分配同有限样本性能相关联，从而为构建可靠时序学习器提供理论指导。实证实验验证了QuaRK框架，并在合成β混合时间序列任务中展现出预期的插值与泛化行为。