用于连续变量光学量子水库计算的实验记忆控制

教光去预测未来

当今许多最棘手的问题——从天气预报到金融趋势——归根结底都是在时间上展开的数据中发现模式。本文报道了一种利用量子光作为一种模拟计算器的方法，该计算器“记住”过去的信号并学习预测接下来发生的事情。研究人员通过精细控制激光脉冲的形状并测量脆弱的光量子态，构建出一种新型的学习机器，未来有望比传统电子设备更快、更高效地处理数据。

从神经网络到类液态大脑

现代机器学习通常依赖深度神经网络，需要通过调整数百万个内部连接来进行艰难的训练。水库计算提供了一条更精简的途径：不去训练整个网络，而是让一个复杂的物理系统对输入流作出反应，仅训练一个简单的输出层来读取这些响应。“水库”可以是任何具有丰富内部动力学和记忆的系统。在这项工作中，水库由光本身构成。团队将水库计算扩展到量子领域，在那里光场以集体方式表现出既高度敏感又富有表现力的行为，这使它们在处理时变信号时具有吸引力。

构建一个量子光池

实验的核心是一台激光器，将超短脉冲发送到非线性晶体和波导中。在里面，单个脉冲被转换成许多紧密关联的频色和时间分量，形成一个多模的“池”，其中包含挤压态和纠缠光。每个模式都可以被视为网络中的一个节点，而量子相关性则像连接它们的连线。通过整形驱动该过程的泵浦脉冲的光谱和相位，研究者可以重新配置模式之间的耦合强度。随后他们使用一种灵敏的测量技术——本征检（homodyne）探测，读取这些模式的选定组合，从而有效地选择如何观测网络的内部状态。

赋予光工作记忆

为了让学习机器处理时间序列，它必须记住近期输入，同时逐渐遗忘远处的过去。团队通过将测量结果实时反馈到光学装置中，引入了可控的“衰减记忆”。一个电光调制器根据当前输入信号和水库先前的输出调整每个新泵浦脉冲的相位。该反馈以温和的方式引导量子网络，而无需重连线路。即便只测量光场的少量量，系统对相位控制也已表现出丰富的非线性响应，作者通过一个详细的数值“数字孪生”对实验进行了映射并忠实再现。

测试量子水库

研究人员用一系列考察非线性和记忆能力的任务来挑战他们的光学水库。在一个基准测试中，系统必须输出当前位与前一位的异或（XOR），这是一个简单线性设备无法解决的经典测试。通过相位控制和反馈，水库在仅需适度训练数据的情况下达到约98%的准确率。他们随后让系统回忆数步之前的输入，并量化随延迟衰减的记忆，显示当并行运行多个水库副本时性能会得到提升。进一步推进，他们模拟了对混沌信号的预测，例如由电子双滚电路产生的信号，证明在存在现实噪声的情况下该量子平台仍能跟踪并预测复杂的振荡。

解锁多模态的力量

除了简单的相位移之外，团队还探索了一种更强大的控制方法：将泵浦光谱分成若干段，并独立调整每段的相位。这种“通用编码”使光场的不同部分携带同一输入的略有不同的版本，极大地丰富了水库的内部活动。随着测量光学模态数量的增加，他们观察到系统的表现力按照有利的数学标度规律增长，意味着每增加一个模态就真正贡献了新的信息，而不是冗余的复制。有了这种更丰富的编码，模拟水库能够解决更高难度的任务，例如在更长的延迟下检查序列的奇偶性以及预测混沌动力学，而无需大量独立的物理副本。

这对未来量子机器的意义

对非专业读者而言，关键结论是作者展示了如何赋予一个量子光学器件可调的、用于流数据的工作记忆，并展示了如何使用室温运行的技术来控制它。他们的平台在标准测试上已与更传统的学习系统相媲美，同时只需对最终读出进行低成本训练。由于其由与更大规模光学量子计算机兼容的组件构建，这一方法为构建能够承担双重任务的机器提供了务实路径：既可执行通用量子逻辑，又能对时变信号进行快速、即时的分析。

引用: 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

关键词: 量子水库计算, 光子机器学习, 时间序列预测, 连续变量量子光学, 类神经形态光子学