Experimentell minneskontroll i kontinuerlig-variabel optisk kvantreservdator

Lära ljus att förutse framtiden

Många av dagens svåraste problem, från väderprognoser till finansiella trender, handlar om att hitta mönster i data som utvecklas över tid. Den här artikeln beskriver ett sätt att utnyttja kvantljus som en sorts analog dator som ”minns” tidigare signaler och lär sig förutsäga vad som kommer härnäst. Genom att noggrant forma laserpulser och mäta sköra kvanttillstånd i ljuset bygger forskarna en ny typ av lärmaskin som en dag skulle kunna bearbeta data snabbare och mer energieffektivt än konventionell elektronik.

Från neurala nätverk till vätskeliknande hjärnor

Modern maskininlärning förlitar sig ofta på djupa neurala nätverk som måste tränas i detalj genom att justera miljontals interna förbindelser. Reservoir computing erbjuder en slankare väg: istället för att träna hela nätverket låter man ett komplext fysikaliskt system reagera på en ström av indata och tränar endast ett enkelt utgångsskikt för att läsa av dessa svar. ”Reservoaren” kan vara vad som helst med rik intern dynamik och minne. I detta arbete består reservoaren av ljus självt. Teamet förlänger reservoir computing in i den kvantmekaniska världen, där ljusfält kollektivt beter sig på sätt som kan vara både extremt känsliga och mycket uttrycksfulla — egenskaper som gör dem attraktiva för bearbetning av tidsvarierande signaler.

Bygga en kvantpool av ljus

Experimentets centrum är en laser som skickar ultrakorta pulser in i en icke‑linjär kristall och vågledare. Där omvandlas enstaka pulser till många tätt länkade färg‑ och tidskomponenter och bildar en multimodal ”pool” av squeezat och intrasslat ljus. Varje modalitet kan betraktas som en nod i ett nätverk, och kvantkorrelationer fungerar som förbindelser mellan dem. Genom att forma spektrumet och fasen hos pumpulserna som driver processen kan forskarna omkonfigurera hur starkt modena är kopplade. Därefter använder de en känslig mätmetod, kallad homodynmätning, för att läsa ut utvalda kombinationer av dessa modena och på så sätt välja hur nätverkets interna tillstånd skall avbildas.

Ge ljuset ett arbetsminne

För att en lärmaskin ska hantera tidsserier måste den komma ihåg nyligen inkomna signaler samtidigt som den gradvis glömmer det avlägsna förflutna. Teamet inför kontrollerbart ”avklingande minne” genom att mata mätresultat tillbaka in i det optiska systemet i realtid. En elektro‑optisk modulator justerar fasen hos varje ny pumpuls baserat både på den aktuella ingångssignalen och reservoirens tidigare utsignaler. Denna återkoppling styr försiktigt det kvantmekaniska nätverket utan att behöva bygga om det. Med endast några uppmätta storheter hos ljusfältet visar systemet redan en rik, icke‑linjär respons på fasstyrningen, vilken författarna kartlägger och troget reproducerar med en detaljerad numerisk ”Digital Twin” av experimentet.

Sätta den kvantiska reservoaren på prov

Forskarna utmanar sin optiska reservoar med en serie uppgifter som testar icke‑linearitet och minne. I ett referenstest måste systemet ge utsignalen XOR (exklusivt‑eller) för den aktuella och föregående biten i en slumprad, ett klassiskt test som inte kan lösas av en enkel linjär apparat. Genom fasstyrning och återkoppling når reservoaren omkring 98 procents noggrannhet med endast en måttlig mängd träningsdata. De låter den också återskapa indatan flera steg tillbaka och kvantifierar hur minnet avklingar med fördröjning, och visar att prestandan förbättras när flera kopior av reservoaren körs parallellt. Vidare simulerar de prognoser av kaotiska signaler, såsom de som genereras av en elektronisk double‑scroll‑krets, och demonstrerar att den kvantiska plattformen kan följa och förutsäga invecklade oscillationer även i närvaro av realistiskt brus.

Låsa upp kraften i många modena

Utöver enkla fasförskjutningar utforskar teamet en mer kraftfull styrmetod: att dela pumpens spektrum i flera segment och ställa in fasen för varje segment oberoende. Denna ”generella kodning” låter olika delar av ljusfältet bära något olika versioner av samma indata, vilket dramatiskt berikar reservoarens interna aktivitet. När de ökar antalet optiska mod som mäts ser de systemets uttrycksförmåga växa enligt en gynnsam matematisk skalningslag, vilket innebär att varje nytt mod verkligen bidrar med ny information snarare än redundanta kopior. Med denna rikare kodning kan den simulerade reservoaren lösa mer krävande uppgifter, såsom att kontrollera paritet i en sekvens över längre fördröjningar och prognostisera kaotisk dynamik, utan att behöva många separata fysiska kopior.

Varför detta spelar roll för framtida kvantmaskiner

För icke‑specialisten är huvudbudskapet att författarna visat hur man ger en kvantoptisk enhet ett justerbart arbetsminne för strömmande data och hur man kontrollerar det med teknik som fungerar i rumstemperatur. Deras plattform står redan sig väl mot mer traditionella lärsystem i standardtester samtidigt som den använder endast enkel och billig träning av slutavläsningen. Eftersom den är byggd av komponenter som är kompatibla med större optiska kvantdatorer erbjuder detta tillvägagångssätt en praktisk väg mot maskiner där intrasslat ljus gör dubbel nytta: att både utföra allmän kvantlogik och snabbt analysera tidsberoende signaler på plats.

Citering: Paparelle, I., Henaff, J., García-Beni, J. et al. Experimental memory control in continuous-variable optical quantum reservoir computing. Nat. Photon. 20, 413–420 (2026). https://doi.org/10.1038/s41566-026-01880-9

Nyckelord: kvantreservdatorer, fotonisk maskininlärning, tidsserieprognoser, kontinuerlig variabel kvantoptik, neuromorfisk fotonik