近年來，人工智能的發展遵循了一個簡單的規則：不斷擴大規模，提高層數、連接數量和計算能力。然而，一項新的研究提出了不同的觀點。研究人員構建了一個極其微小的量子系統，僅具備九個相互作用的原子自旋，並要求它解決通常需要更大型機器的問題。結果出乎意料，這個微小的系統不僅站穩了腳跟，還在預測幾天內的溫度模式等任務中超越了擁有數千個節點的經典機器學習模型。研究人員指出：「這是量子機器學習首次在真實世界任務中超越大規模經典模型的實驗性證明。」
這是否意味著科學家們一直以來對量子計算的方式存在誤解？在量子計算中，控制是一個最大的挑戰。大多數方法依賴於精心設計的量子電路，每一步都必須精確執行。然而，當前的量子硬件受到環境中微小擾動（噪音）的影響，這些擾動能迅速破壞計算。因此，真實世界的應用仍然遙不可及。研究人員回過頭來，嘗試了一種不同的方法。他們借鑒了機器學習中的一個概念——儲備計算。這種方法不需要對系統進行微觀管理，僅需將數據輸入系統，讓其自行演變，然後讀取結果。
為了構建這一系統，研究團隊使用核磁共振技術來控制九個原子自旋，這些自旋本質上是量子層面的微小磁鐵。這些自旋相互作用，創造出不斷變化的內部狀態。當輸入數據被編碼到這一系統中時，數據並不會靜止不變，而是以複雜的方式擴散、混合和轉變。這就是量子物理發揮影響的地方，系統可以同時存在於多個狀態並發展出強大的內部相關性。因此，即使是少量組件也能產生非常豐富的行為模式。研究人員沒有編寫每一步的程序，而是讓這些動態自然展開，然後從結果中提取有用的信息。
在大多數量子實驗中，耗散（系統向周圍環境失去能量的過程）是一個需要消除的問題。這會抹去信息並引入錯誤，但在這裡卻被故意使用。為什麼？因為預測任務依賴記憶。要預測未來，系統必須保留過去的痕跡，但記憶不能過於強烈。如果系統記住每一件事，它會感到不堪重負；如果忘記得太快，則失去背景。耗散提供了一種自然的方法來達到這種平衡。它逐漸刪除舊的信息，同時使最近的輸入對系統的影響更強。
為了檢驗他們的方法是否有效，研究人員首先轉向一個標準測試，稱為 NARMA，這是一個常用於評估時間序列預測系統的基準。量子設置在這裡交出了其首個重大成果，將預測誤差降低了一到兩個數量級。然而，基準測試是一回事，而真實數據則是另一回事。因此，研究人員轉向了天氣預測，重點關注多天內的溫度趨勢。儘管其設計簡單，但這個九自旋系統能夠以驚人的準確度跟蹤這些模式。最引人注目的比較是當他們將其與一個稱為回聲狀態網絡的經典模型進行對比時，即使經典系統擴展到數千個節點，這個小型量子系統在多天預測中仍表現得更好。
這項工作暗示了量子計算可能發展的方向。研究人員可能不需要等待大型、完美控制的機器，而是可以立即從小型、不完美的系統中提取價值，利用其自然動態而不是與之抗爭。研究人員補充道：「我們提出了一種基於相關量子自旋系統的全新量子儲備計算方法，利用自然的量子多體相互作用生成儲備動態，從而繞過深層量子電路的實際挑戰。」儘管如此，這種方法仍處於早期階段。當前系統的規模有限，僅在特定類型的問題上進行過測試。這並不是一台通用計算機，擴展它將帶來新的挑戰。這項研究提供了一個重要的啟示，進步的方式並不是不斷增加，而是以更智能的方式利用現有的資源。該研究發表在《物理評論快報》上。
