量子性可增强自旋网络量子储备计算对统计噪声的鲁棒性

《Frontiers in Physics》：Quantumness can enhance resilience to statistical noise in spin-network quantum reservoir computing

　　

研究人员发现，在量子储备计算（Quantum Reservoir Computing, QRC）的实际部署中，受限于测量次数，统计噪声不可避免。本研究以自旋网络量子储备计算为对象，探究统计噪声对量子性所带来的性能增益的影响。研究人员采用量子纠缠（通过密度矩阵部分转置的对数 negativity 量化）与量子相干性（通过密度矩阵非对角元绝对值之和的 l1-范数量化）作为量子性的度量指标。结果表明，相较于未纠缠且无相干性的储备池，具备有限量子纠缠与相干性的储备池在面对统计噪声的性能衰减时表现出更强的稳定性。该结果揭示，量子性带来的潜在优势取决于训练与测试所用的测量次数，且统计噪声虽整体有害，却可能使量子储备池相对于低量子性的储备池处于更有利的地位。这一发现不仅强调了引入真实噪声模型的重要性，也表明在现有设备中实现量子储备计算的实际约束，可能不会阻碍反而会有助于寻找能从量子性中获益的计算机制。

研究背景与意义

随着信息时代数据复杂性与规模激增，传统冯·诺依曼架构面临处理单元与存储单元物理分离导致的“冯·诺依曼瓶颈”。受生物神经系统启发，储备计算（Reservoir Computing, RC）作为一种新型范式应运而生，其利用高维动态系统的瞬态状态实现高效时序数据处理。近年来，量子储备计算（QRC）将量子力学特性引入RC框架，旨在利用量子叠加与纠缠等特性突破经典计算限制。然而，当前量子设备的实际部署面临严峻挑战：受限于测量次数，读取输出时不可避免地产生统计噪声；同时，退相干与环境耗散持续影响系统量子性。此前研究多在理想无噪假设下进行，忽略了实际测量约束对量子优势的掩盖或扭曲。因此，研究人员针对自旋网络QRC系统，深入探究统计噪声与量子性（纠缠及相干性）在记忆任务中的相互作用机制，这对指导未来量子硬件的实际应用具有重要科学价值。该研究发表于《Frontiers in Physics》。

关键技术方法

研究人员构建了基于横场伊辛模型（Transverse-Field Ising Model）的四量子比特自旋网络开放系统，通过林德布拉德主方程（Lindblad Master Equation）描述马尔可夫耗散动力学。研究通过改变耦合强度调控系统的量子纠缠（对数 negativity）与量子相干性（l₁-范数）。输入信号采用多频正弦合成序列，通过重置输入量子位态注入系统。研究人员在模拟输出端引入高斯统计噪声以等效有限次测量的误差，并采用线性记忆任务（Linear Memory Task）评估性能，通过计算总短期记忆容量（Total Short-Term Memory Capacity, C_STM）衡量系统效能。研究分别在高频（f=5）、中频（f=1）和低频（f=0.2）输入信号下，对比不同耗散强度与噪声水平下的性能变化。

研究结果

3.1 量子性度量特征

研究发现，量子纠缠在遍历相区域达到峰值，并在多体局域化相中衰减为零，且随耗散强度增加而受抑制；而量子相干性在孤立系统中随耦合强度呈单峰分布，在开放系统中则于多体局域化相内持续增长。这表明纠缠与相干性对系统参数变化的响应机制存在差异。

3.2 高频输入下的抗噪性

在高频输入（f=5）与有限耗散（Γ=0.01）条件下，系统原本即表现出量子优势。引入统计噪声后，虽然总记忆容量整体下降，但高纠缠与高相干性储备池的性能衰减幅度显著低于低量子性系统。这表明量子性赋予了系统对测量噪声的鲁棒性。

3.3 低频输入下的趋势逆转

在低频输入（f=0.2）且无噪声的理想情况下，系统并未显现量子优势。然而，当引入中等强度统计噪声（对应约百次测量）时，原本的负相关趋势发生逆转，具备中等量子性的储备池反而展现出最优性能。这意味着实际测量约束可能将系统从“无量子优势区”推向“有量子优势区”。

3.4 中频输入下的劣势转化

在中频输入（f=1）下，无噪声时系统对量子性呈中性或轻微劣势。但当引入统计噪声后，高量子性储备池的相对性能明显优于低量子性系统，证实了统计噪声能够促使量子优势在特定频段显现。

3.5 交互强度与噪声的综合效应

研究进一步分析了记忆容量随耦合强度的变化。结果显示，无噪声时低频区存在的性能尖峰在高噪声下消失。这警示研究人员，若忽略实际测量中的统计噪声，可能会错误地将特定参数下的性能波动归因于量子或耗散优势。

讨论与结论总结

研究人员指出，本研究中的“纠缠优势”特指量子储备池内部高纠缠态相对于低纠缠态（仍属量子系统，但处于经典极限）的性能提升，而非绝对超越经典算法。研究发现，虽然统计噪声总体降低性能，但具备显著量子纠缠与相干性的储备池对此类噪声的耐受力更强。这种“噪声赋能”效应意味着，在实际受限于有限测量的场景中，某些原本无量子优势的机制可能转而显现优势。研究人员强调，未来的量子优势验证必须纳入统计噪声模型，以避免误判。此外，目前的量子性度量主要依赖纠缠与相干性，未来可引入“魔态”（Magic）或非稳定子性（Nonstabilizerness）等资源指标，以更精确地界定量子计算在抗噪方面的真正潜力。总之，实际实现的约束条件可能非但不会阻碍，反而会引导研究人员发现量子储备计算中的高性能机制。