理论迈向实用！普林斯顿、IBM领衔，新算法突破“实时量子计算”

光子盒研究院

目前，一项新算法在arXiv上发布，使得量子机器能够从持续的数据流中学习，成功克服了在动态现实世界场景中应用的主要障碍。

量子存储器非常脆弱，难以长时间保留信息，无法有效处理时间数据。

理论上，量子计算机现在可以从数据流中的模式和关系中学习，即使单个比特逐渐消失。

根据发布的预印版研究，来自普林斯顿大学、IBM 和雷神公司的科学家通过开发“含噪声的中间规模量子储备池计算”（Noisy Intermediate Scale Quantum Reservoir Computing，NISQRC），在实时量子计算（real-time quantum computing）领域取得了重大进展。这种新颖的算法使量子机器能够从连续流动的数据流中学习，克服了以前限制其在动态现实世界场景中应用的主要障碍。

科学团队表示，NISQRC解决的关键挑战在于当前量子硬件的固有局限性：量子存储器（Quantum Memory）出了名的脆弱，使得这些机器难以长时间保留信息，从而无法有效处理时间数据；NISQRC巧妙地利用了量子信息的基本单位——量子比特（qubit）现有的信息泄露，在系统内创建了一个持久存储器。

这样，即使单个比特逐渐消失，量子计算机也能从数据流的模式和关系中学习。

你可以把它想象成试图破译一段长而复杂的信息片段。经典计算机很难处理这种“流数据”（streaming data），它们“僵化的大脑”需要在理解整个信息之前，通常需要特殊的技术来克服这种限制。不过，新方法让我们窥见了未来计算机边听边学的可能性：即使信号杂乱、注意力有限。

在一次成功的演示中，研究人员在一个7量子比特量子处理器上实施了NISQRC，以解决均衡嘈杂无线信道（equalizing a noisy wireless channel）的任务。结果很有希望，展示了该算法学习信道特性并即时改善信号质量的能力。

研究人员写道“我们首先将实验结果与相同参数下的数值模拟结果进行了比较，结果显示两者非常吻合。基于数值模拟在有限相干性和噪声模型情况下的可靠性，我们证明可以成功推断出5000个符号的信号，而推断这些符号需要 500个计算寿命（lifetime）。”

在有限采样部分测量上使用凸优化算法对时态数据（temporal data）进行机器学习的NISQRC架构示意图

使用时态数据的实用机器学习

量子系统中的实验结果

这标志着在弥合量子计算的理论潜力与其在实时数据处理中的实际应用之间的差距方面迈出了重要一步。

NISQRC的影响是深远的。这一新能力为广泛的潜在应用打开了大门，包括电信的高级信号处理、实时金融分析，甚至自动驾驶汽车的增强型控制系统。虽然将NISQRC扩展到更大的量子系统并解决更复杂的任务仍是持续的挑战，但这一突破标志着实用实时量子计算发展的一个重要里程碑。

在动态数据流中学习和适应的能力拓展了这些功能强大的机器所能实现的范围，为量子计算彻底改变我们的实时数据分析和处理方法的未来铺平了道路。

参考链接：

[1]https://synthical.com/article/2e59bca7-ff35-45b2-913c-2756636ff50f

[2]https://thequantuminsider.com/2024/01/02/quantum-computing-and-chill-nisqrc-algorithm-could-allow-qcs-to-take-on-streaming-data/