量子科技中心_量科网

量子光学神经网络（QONNs）通过结合经典光学与量子光学的优势，实现了超越经典极限的信息处理能力。然而，由于精确描述量子网络所需的希尔伯特空间呈指数级增长，大规模玻色子晶格的模拟仍是重大挑战。此前的理论研究因此受限于小型系统，致使多模QONNs的行为机制长期处于未被探索状态。该研究团队提出了一种基于相位空间正P方法的高效计算框架，用于模拟玻色子神经形态系统。该方法为触及先前难以观测的物理机制提供了途径，使大规模玻色子网络在量子态分类、量子态特征预测等量子机器学习任务中的验证成为可能。研究结果表明：大型量子储备池的性能并非随玻色子模式数量单调提升，而是由非线性效应、储备池规模和输入模式平均占据数三者相互作用形成的复杂关系所主导。这些发现对设计并优化未来量子神经形态计算设备中的光学玻色子储备池具有重要意义。