量子科技中心_量科网

量子储层计算机（QRCs）因其利用量子系统自然动力学进行数据处理且训练简便，已成为量子机器学习领域极具前景的研究方向。本文研究了具有连续时间储层动力学的n量子比特量子极限学习机（QELMs）。这类无记忆特性的QRCs能完成包括图像分类和时间序列预测在内的多种机器学习任务。研究人员采用泡利转移矩阵（PTM）形式体系，从理论上分析了编码方式、储层动力学及测量操作（含时间复用技术）对QELM性能的影响。该形式体系明确揭示：编码过程决定了QELM可获取的全部（非线性）特征集合，而量子通道则在这些特征被选定测量算子探测前对其进行线性变换。因此，QELM优化可转化为解码问题——通过设计通道诱导的变换，使回归器能获取任务相关特征。PTM形式体系可帮助识别QELM的经典表示，从而针对特定训练目标指导其设计。作为具体应用案例，该工作重点研究了非线性动力学系统学习，证明经轨迹训练的QELM能够学习底层流映射的代理近似模型。