量子機器學習如何預報天氣？

近日，復旦大學李曉鵬團隊與中國科學技術大學彭新華、李兆凱團隊合作，實現了量子儲層計算在氣象時間序列預測任務中的應用，研究成果發表于《Physical Review Letters》。 在實驗系統中首次驗證了量子機器學習在解決實際問題時能夠超越大尺度經典模型：“This represents the first experimental demonstration of quantum machine learning outperforming largescale classical models on real-world tasks”。該工作構建了量子儲層計算新方案，在標準時序學習基準和真實氣象時間序列預測任務中取得領先結果，為量子機器學習邁向實際應用提供了重要實驗支撐。

近兩年，人工智能最吸引眼球的突破幾乎都來自大模型。人們很容易因此形成一種印象：AI 想要更強，就得依賴更大的模型、更多的數據和更強的算力。但這并不是唯一的方向。對于一些任務來說，關鍵未必是把模型做得越來越大，而是找到一種更適合信息處理本身的計算方式。

我們最近的一項工作，探索的正是這樣一條不同的路線：不去訓練一個越來越龐大的模型，而是直接利用一個真實的量子系統來處理時間信號。我們在一個只有 9 個量子自旋組成的小系統上實現了量子儲層計算，不僅在標準測試中把誤差顯著降低，還在真實天氣預測任務中展現出與大規模經典模型競爭的能力。

不靠規模取勝的智能路徑

很多現實問題并不是“看一眼就能判斷”的。比如天氣如何變化、電網負載會不會突然升高、股票價格怎樣波動、神經信號中是否隱藏異常，這些都屬于時間序列問題。它們的難點在于，系統的當前狀態不僅取決于眼前輸入，還與過去一段時間里的信息積累有關。換句話說，一個好的預測系統，既要能記住過去，又要能把新舊信息混合起來，再作出判斷。

傳統深度學習當然也能處理這類問題，但通常需要較大的模型和較高的訓練成本。于是，研究者開始重新關注另一種更輕量的思路：讓一個本身就具有復雜變化能力的系統來承擔主要計算任務，而學習只發生在最后的輸出層。這就是儲層計算。

儲層計算的想法并不復雜。可以把它理解為：先把輸入信號持續送進一個會自然變化的系統中，這個系統會對輸入作出響應，也會留下部分歷史痕跡。經過一段時間后，系統內部就形成了一種既包含“記憶”又包含“變化”的狀態。此時不需要把整個系統從頭到尾訓練一遍，只要讀取它的輸出，再訓練一個簡單的讀出層，就可以完成預測任務。因此，物理儲層計算的重要優點是學習成本低、推理速度快。

如果把這里的“系統”換成量子系統，就得到了量子儲層計算。量子儲層計算不僅具備物理儲層計算的優點，而且由于量子系統具有更豐富的內部變化，因此有望獲得更強的信息處理能力。量子系統的優勢并不只是“更神秘”或“更前沿”，而在于它內部存在比經典系統更復雜的關聯和演化，這些復雜變化有可能直接轉化為處理時間信號的能力。

▲Figure 1儲層計算示意圖：輸入信號持續進入系統，系統內部自然完成記憶與混合，最后只需訓練一個簡單的讀出層。

9 個量子自旋的計算能力

我們的工作核心，是把一個真實的量子系統直接當作“儲層”來使用。研究團隊采用了核磁共振平臺上的一個 9 自旋系統，也就是由 9 個彼此關聯的量子自旋組成的小網絡。外部輸入進入后，這個小系統會自然演化，把當前輸入和過去留下的影響混合在一起，形成可用于預測的內部狀態。這種方案利用的是量子自旋體系天然存在的多體相互作用，而不是依賴很深、很復雜的人為量子線路。

為什么這樣一個并不大的系統能展現出很強的計算能力？原因主要來自三個方面。

一方面，量子自旋之間本來就存在復雜的相互作用。外部輸入進入后，信息不會像經過一條簡單通道那樣直接流過，而是會在系統內部不斷傳播、疊加和相互影響。不同時間進入的信息因此被更充分地混合在一起，形成更豐富的內部狀態。對后續預測來說，這意味著系統不再只是機械地“記住”原始輸入，而是會把輸入歷史加工成層次更多的響應模式。原本看起來差別不大的兩段輸入，在經過這樣的演化之后，往往會對應到更不同的內部狀態；而那些對未來趨勢真正重要的變化，也會被放大得更明顯一些。這樣一來，最后的讀出層就更容易從這些內部狀態中提取出有用線索，作出更準確的預測。

另一方面，系統中的衰減并不完全是壞事。對時間序列任務來說，一個好的系統不能把所有舊信息都死死保留下來，否則新輸入反而很難發揮作用。它更需要一種“有節奏的記憶”：重要的信息保留一段時間，太久遠的影響則逐漸淡化。正是在這個意義上，適度的衰減反而幫助系統形成了更適合預測的記憶能力。

更關鍵的是，這項工作對讀出信號做了更充分的利用。核磁共振實驗中有一種常見信號，叫自由感應衰減，也就是 FID。可以把它理解為：系統受到激發后，不是只在一個瞬間作出反應，而是會在一小段時間里持續發出逐漸減弱的響應。傳統做法往往只取其中某一個時刻的信息，而這里更充分地利用了整段 FID 信號。這樣一來，研究人員看到的就不只是一張靜態照片，而更像是一小段動態片段，因此能從同一個小系統中提取出更多可用信息。

如果打一個直觀的比方，傳統做法更像是只給系統拍一張照片，而這里更像是截取了一小段短視頻。前者只看到一個時刻，后者則能看到信號如何隨時間變化。也正是自旋之間的復雜作用、適度的衰減，以及對 FID 的更充分利用疊加在一起，才讓這個小型量子系統表現出超出直覺的計算能力。

從實驗室測試走向真實天氣

一套機器學習方法到底有沒有價值，最終還是要看它在任務上的表現。這項研究首先測試了一個學術界常用的時間序列基準任務。結果顯示，這種量子儲層計算方法的誤差，比此前一些實驗結果降低了 1 到 2 個數量級，也就是預測精度有了非常明顯的提升。

▲Figure 2 標準測試結果對比：通過更有效的讀出方式，量子儲層在時間序列基準任務上的預測精度明顯提升。

更重要的是，研究團隊沒有停留在“標準考題”上，而是進一步測試了一個更接近現實的問題：天氣預測。他們選取了印度德里的日度氣候數據，對溫度和濕度進行預測，不僅考察下一步的結果，還嘗試更困難的多步預測。之所以選擇德里，是因為當地氣候變化具有較強的季節性，同時溫度和濕度波動也比較明顯，能夠為時間序列預測提供一個既真實又具有挑戰性的測試場景。用這樣的真實數據來檢驗模型，也更能說明這類方法是否有走向實際應用的潛力。

天氣預測之所以難，是因為天氣系統本身非常復雜，誤差會隨著預測步數增加而迅速累積。即便短期預測看上去不錯，往后多推幾步，結果也可能很快偏離真實軌跡。也正因為如此，天氣預測一直是衡量時序模型能力的重要場景。

這項研究把他們的量子儲層與經典的回聲狀態網絡（ESN）進行了對比。后者是經典儲層計算中的代表性方法。為了進行更充分的比較，研究團隊還將經典網絡的規模逐步擴大到數千甚至上萬個節點。結果顯示，在溫度預測上，這個只有 9 個自旋的量子系統，表現可以和大規模經典網絡相當，甚至在某些較長預測步長下更好；在濕度預測這一更困難的任務上，它也表現出了很強的競爭力。

▲Figure 3天氣預測結果對比：在真實氣候數據上，一個只有9 個自旋的量子系統，表現出了與大規模經典儲層模型競爭的能力

量子計算走近真實應用

更穩妥地說，這項工作還不能證明量子計算已經在機器學習中全面領先。它比較的主要對象，是儲層計算框架下的一類經典模型，而不是所有可能的經典方法。對“量子優勢”這個詞，仍然需要保持謹慎。

但即便如此，它依然很重要。因為它說明了一件事：量子技術的價值，未必一定要等到未來的大型通用量子計算機出現后才會顯現。今天規模不大的量子系統，只要設計得當，也可能在一些真實問題上發揮作用。

從這個角度看，這項工作的意義不只是“預測天氣做得不錯”，而是讓人們看到，量子機器學習正在從“概念上有趣”，一步步走向“現實中有用”。也許，量子技術最早改變的，并不一定是人們想象中的通用計算機，而可能是某些具體而重要的任務，比如對天氣更準確的預測。

作者：夏威

審校：myles h

論文鏈接：https://journals.aps.org/prl/abstract/10.1103/r8ww-qw7j