从实验室到气象台： 首次实验展示实用量子优势

近日，不筹量子的首席科学家李晓鹏与合作者组成联合研发团队，实现了量子储层计算在气象时间序列预测任务中的应用，研究成果发表于《Physical Review Letters》。在实验系统中首次验证了量子机器学习在解决实际问题时能够超越大尺度经典模型：“This represents the first experimental demonstration of quantum machine learning outperforming largescale classical models on real-world tasks”。该工作构建了量子储层计算新方案，在标准时序学习基准和真实气象时间序列预测任务中取得领先结果，为量子机器学习迈向实际应用提供了重要实验支撑。

量子储层计算是一类适合处理时间序列的量子机器学习框架。可以把它理解为一个会留下层层“涟漪”的量子池塘：新的输入进入后，会与此前的信息共同激发出复杂响应，因此系统既能处理当前数据，也能保留短时间内的历史信息。与依赖深层量子线路逐步构造复杂演化的方案不同，这项工作直接利用复杂量子多体系统中天然存在的量子纠缠动力学来构建量子储层，从而显著降低控制开销、提高实验可实现性。更重要的是，研究团队将通常被视为限制因素的弛豫与耗散部分转化为可利用的计算资源，使系统自然获得“渐消记忆”(fading memory) 能力，能够持续处理时间相关信息。与此同时，团队还引入时间复用等方法，类似于用“高速连拍”把一次连续变化的信号切分成多个时间片，在不增加额外硬件负担的情况下大幅提升有效读出维度，充分释放小规模量子系统的计算潜力。

在国际通用的 NARMA 时间序列基准测试中，该实验的预测误差较此前量子储层计算实验降低了1至2个数量级，即约10倍到100倍， 达到当前量子储层计算的先进水平。在更具现实意义的气象数据长期预测任务中，仅由9个量子比特构成的量子储层计算，就表现出与大尺度经典储层网络相竞争、并在部分设置下更优的预测能力；结合非线性后处理后，温度预测精度进一步超过数千节点经典回声状态网络。这表明，在特定真实时序任务和统一评测条件下，当前量子机器学习方法展现出相对于大规模经典模型的在预测准确度方面的量子优势。

这项工作的意义不仅在于获得了更高的预测精度，更在于给出了一个重要认识：在量子信息处理中，噪声与耗散并不一定只是限制，也可以被转化为有用的计算资源。该研究为发展低能耗、高维度、面向真实场景的量子时序智能提供了新路径，也为探索量子机器学习的实际优势打开了新的发展方向。

不筹量子团队将开展更大规模的量子储层计算研究，致力于将这项新型的量子人工智能技术应用于更高维度、更复杂的气象预测场景，进一步挖掘经典-量子混合智能模型的规模化优势。

相关研究获得上海市科委战略前沿专项、中国科技部、国家自然科学基金委、上海期智研究院的支持。

论文详情及链接：Yanjun Hou, Juncheng Hua, Ze Wu, Wei Xia, Yuquan Chen, Xiaopeng Li, Zhaokai Li, Xinhua Peng, and Jiangfeng Du, High-Accuracy Temporal Prediction via Experimental Quantum Reservoir Computing in Correlated Spins, Phys. Rev. Lett. 136, 120602 (2026). https://doi.org/10.1103/r8ww-qw7j