量子机器学习如何预报天气？

近日，复旦大学李晓鹏团队与中国科学技术大学彭新华、李兆凯团队合作，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。

近两年，人工智能最吸引眼球的突破几乎都来自大模型。人们很容易因此形成一种印象：AI 想要更强，就得依赖更大的模型、更多的数据和更强的算力。但这并不是唯一的方向。对于一些任务来说，关键未必是把模型做得越来越大，而是找到一种更适合信息处理本身的计算方式。

我们最近的一项工作，探索的正是这样一条不同的路线：不去训练一个越来越庞大的模型，而是直接利用一个真实的量子系统来处理时间信号。我们在一个只有 9 个量子自旋组成的小系统上实现了量子储层计算，不仅在标准测试中把误差显著降低，还在真实天气预测任务中展现出与大规模经典模型竞争的能力。

不靠规模取胜的智能路径

很多现实问题并不是“看一眼就能判断”的。比如天气如何变化、电网负载会不会突然升高、股票价格怎样波动、神经信号中是否隐藏异常，这些都属于时间序列问题。它们的难点在于，系统的当前状态不仅取决于眼前输入，还与过去一段时间里的信息积累有关。换句话说，一个好的预测系统，既要能记住过去，又要能把新旧信息混合起来，再作出判断。

传统深度学习当然也能处理这类问题，但通常需要较大的模型和较高的训练成本。于是，研究者开始重新关注另一种更轻量的思路：让一个本身就具有复杂变化能力的系统来承担主要计算任务，而学习只发生在最后的输出层。这就是储层计算。

储层计算的想法并不复杂。可以把它理解为：先把输入信号持续送进一个会自然变化的系统中，这个系统会对输入作出响应，也会留下部分历史痕迹。经过一段时间后，系统内部就形成了一种既包含“记忆”又包含“变化”的状态。此时不需要把整个系统从头到尾训练一遍，只要读取它的输出，再训练一个简单的读出层，就可以完成预测任务。因此，物理储层计算的重要优点是学习成本低、推理速度快。

如果把这里的“系统”换成量子系统，就得到了量子储层计算。量子储层计算不仅具备物理储层计算的优点，而且由于量子系统具有更丰富的内部变化，因此有望获得更强的信息处理能力。量子系统的优势并不只是“更神秘”或“更前沿”，而在于它内部存在比经典系统更复杂的关联和演化，这些复杂变化有可能直接转化为处理时间信号的能力。

▲Figure 1储层计算示意图：输入信号持续进入系统，系统内部自然完成记忆与混合，最后只需训练一个简单的读出层。

9 个量子自旋的计算能力

我们的工作核心，是把一个真实的量子系统直接当作“储层”来使用。研究团队采用了核磁共振平台上的一个 9 自旋系统，也就是由 9 个彼此关联的量子自旋组成的小网络。外部输入进入后，这个小系统会自然演化，把当前输入和过去留下的影响混合在一起，形成可用于预测的内部状态。这种方案利用的是量子自旋体系天然存在的多体相互作用，而不是依赖很深、很复杂的人为量子线路。

为什么这样一个并不大的系统能展现出很强的计算能力？原因主要来自三个方面。

一方面，量子自旋之间本来就存在复杂的相互作用。外部输入进入后，信息不会像经过一条简单通道那样直接流过，而是会在系统内部不断传播、叠加和相互影响。不同时间进入的信息因此被更充分地混合在一起，形成更丰富的内部状态。对后续预测来说，这意味着系统不再只是机械地“记住”原始输入，而是会把输入历史加工成层次更多的响应模式。原本看起来差别不大的两段输入，在经过这样的演化之后，往往会对应到更不同的内部状态；而那些对未来趋势真正重要的变化，也会被放大得更明显一些。这样一来，最后的读出层就更容易从这些内部状态中提取出有用线索，作出更准确的预测。

另一方面，系统中的衰减并不完全是坏事。对时间序列任务来说，一个好的系统不能把所有旧信息都死死保留下来，否则新输入反而很难发挥作用。它更需要一种“有节奏的记忆”：重要的信息保留一段时间，太久远的影响则逐渐淡化。正是在这个意义上，适度的衰减反而帮助系统形成了更适合预测的记忆能力。

更关键的是，这项工作对读出信号做了更充分的利用。核磁共振实验中有一种常见信号，叫自由感应衰减，也就是 FID。可以把它理解为：系统受到激发后，不是只在一个瞬间作出反应，而是会在一小段时间里持续发出逐渐减弱的响应。传统做法往往只取其中某一个时刻的信息，而这里更充分地利用了整段 FID 信号。这样一来，研究人员看到的就不只是一张静态照片，而更像是一小段动态片段，因此能从同一个小系统中提取出更多可用信息。

如果打一个直观的比方，传统做法更像是只给系统拍一张照片，而这里更像是截取了一小段短视频。前者只看到一个时刻，后者则能看到信号如何随时间变化。也正是自旋之间的复杂作用、适度的衰减，以及对 FID 的更充分利用叠加在一起，才让这个小型量子系统表现出超出直觉的计算能力。

从实验室测试走向真实天气

一套机器学习方法到底有没有价值，最终还是要看它在任务上的表现。这项研究首先测试了一个学术界常用的时间序列基准任务。结果显示，这种量子储层计算方法的误差，比此前一些实验结果降低了 1 到 2 个数量级，也就是预测精度有了非常明显的提升。

▲Figure 2 标准测试结果对比：通过更有效的读出方式，量子储层在时间序列基准任务上的预测精度明显提升。

更重要的是，研究团队没有停留在“标准考题”上，而是进一步测试了一个更接近现实的问题：天气预测。他们选取了印度德里的日度气候数据，对温度和湿度进行预测，不仅考察下一步的结果，还尝试更困难的多步预测。之所以选择德里，是因为当地气候变化具有较强的季节性，同时温度和湿度波动也比较明显，能够为时间序列预测提供一个既真实又具有挑战性的测试场景。用这样的真实数据来检验模型，也更能说明这类方法是否有走向实际应用的潜力。

天气预测之所以难，是因为天气系统本身非常复杂，误差会随着预测步数增加而迅速累积。即便短期预测看上去不错，往后多推几步，结果也可能很快偏离真实轨迹。也正因为如此，天气预测一直是衡量时序模型能力的重要场景。

这项研究把他们的量子储层与经典的回声状态网络（ESN）进行了对比。后者是经典储层计算中的代表性方法。为了进行更充分的比较，研究团队还将经典网络的规模逐步扩大到数千甚至上万个节点。结果显示，在温度预测上，这个只有 9 个自旋的量子系统，表现可以和大规模经典网络相当，甚至在某些较长预测步长下更好；在湿度预测这一更困难的任务上，它也表现出了很强的竞争力。

▲Figure 3天气预测结果对比：在真实气候数据上，一个只有9 个自旋的量子系统，表现出了与大规模经典储层模型竞争的能力

量子计算走近真实应用

更稳妥地说，这项工作还不能证明量子计算已经在机器学习中全面领先。它比较的主要对象，是储层计算框架下的一类经典模型，而不是所有可能的经典方法。对“量子优势”这个词，仍然需要保持谨慎。

但即便如此，它依然很重要。因为它说明了一件事：量子技术的价值，未必一定要等到未来的大型通用量子计算机出现后才会显现。今天规模不大的量子系统，只要设计得当，也可能在一些真实问题上发挥作用。

从这个角度看，这项工作的意义不只是“预测天气做得不错”，而是让人们看到，量子机器学习正在从“概念上有趣”，一步步走向“现实中有用”。也许，量子技术最早改变的，并不一定是人们想象中的通用计算机，而可能是某些具体而重要的任务，比如对天气更准确的预测。

作者：夏威

审校：myles h

论文链接：https://journals.aps.org/prl/abstract/10.1103/r8ww-qw7j