量子科技中心_量科网

储层计算利用丰富的非线性动力学特性处理时序数据。量子版本凭借高维希尔伯特空间有望增强表达能力，但硬件噪声和大系统规模下输入输出可区分性消失的浓度效应阻碍了其实际应用。该研究团队提出并实验验证了一种针对最先进超导平台设计的量子极限学习机（QELM），在IBM量子计算机上实现了多达124个量子比特和超过5,000个双量子比特门的电路。研究人员开发了一种实用的多目标超参数调优策略，通过联合监测可观测量变异性、容量和任务表现来识别抗噪声操作点，并建立了局部本征任务分析方法，实现计算高效的特征选择和有效信息检索。实验证据表明，在小规模系统中识别出的最优状态可跨任务迁移至更大系统，在时间序列预测和卫星图像分类等代表性基准测试中，其性能与领先的经典基线模型相当。这些成果为大规模、容错前量子机器学习建立了可行且稳健的框架，并为将基于储层的方法扩展到更具表现力的架构和现实场景奠定了基础。