量子科技中心_量科网

储备计算通过克服反向传播时间中的常见问题并仅训练简单的读出层，为循环神经网络提供了一种替代方案。量子计算这一新兴领域提供了一种新的计算范式，有望通过更丰富的特征表示来增强学习能力。在该工作中，研究人员探讨了用于时间序列预测的量子储备计算。研究人员探索并基准测试了四种不同架构，这些架构将单个或多个（分布式）储备与单个或多个（分布式）岭回归读出层相结合。研究人员使用理想化及考虑硬件噪声的模拟对这些架构进行了评估，并涵盖了混合型和全量子变体，同时以经典储备作为基线。结果表明，量子增强配置通过将平均绝对误差（MAE）和均方根误差（RMSE）分别降低高达78.8%和72.3%，持续提升了预测准确性，而分布式架构通过以硬件无关的方式利用多个量子资源，有效实现了规模扩展。这些发现支持分布式量子储备计算作为噪声中等规模量子（NISQ）时代量子平台上一种有前景的模块化预测方法。