量子计算机被视为未来解锁算力极限的“超级大脑”，能在极短时间内处理传统计算机难以企及的复杂任务。然而，如何让这个“超级大脑”走出模拟环境，在真实的复杂场景中证明自己的实力，一直是横亘在科学家面前的一道难题。

近日，复旦大学李晓鹏团队与中国科学技术大学、浙江大学团队合作，实现了量子储层计算在气象时间序列预测任务中的应用。在预测真实天气的任务中，仅包含9个自旋的量子系统，其预测精度竟然超越了包含数千个节点的经典储层网络。

相关研究成果已发表于《物理评论快报》（prl）。这项研究不仅将时序预测任务的误差降低了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。更是首次在实验系统中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。

“小水池”激起千层浪：

9自旋如何打败数千经典节点？

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。“你可以把这个量子系统想象成一个体积很小，但是内部动态非常复杂的水池。”复旦大学物理学系教授李晓鹏在接受采访时向记者解释道。“每输入一点信息进去，里面都会激起层层叠叠的波纹。这些波纹不仅记录了当前的输入，也保留了过去的痕迹。”

在这个“水池”中，哪怕物理尺寸极小，其内部状态空间的增长也是呈指数级的。经典的数据网络往往要靠成千上万个节点，才能把这种复杂的数据映射展开。而即便量子系统特别小，但不同的量子比特之间会发生复杂的相互作用和纠缠，使其在极小的物理环境下就能产生丰富的动态响应。

过去，量子计算因其太“娇气”难以普及。传统的量子计算需要设计极其复杂的量子电路，一旦受到外界环境的一丁点噪音干扰，计算就会崩溃。此外，过去科学家要提取量子系统里的信息，就像是“拍单张照片”，一次只能获取极少的信息。

这一次，他们换了个思路。直接利用量子系统内部原本被视为限制因素的“弛豫过程”，就像水池里的波纹自然消散的过程，将其转化为计算的动力。其次，在读取数据时，团队还引入时间复用等方法，把“拍照片”改成了“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。

在这场跨校联合的硬核攻关中，复旦大学团队扮演了“架构师”的角色。“我们团队负责了理论方案设计、模型的构建，还有机理的分析。”李晓鹏告诉记者。复旦团队是国际上较早涉足量子储层计算领域的团队之一，前期就已做了大量独立的理论研究。正是基于这些深厚的理论积累，复旦团队提出了适合当前中等规模含噪声量子设备（nisq）的机器学习路线，并与中科大团队的核磁共振实验平台紧密配合，最终让这一颠覆性的储层方案成功落地。

走出实验室的“超级大脑”：

从天气预报到更多真实场景

当理论的图纸化为现实，联合团队没有选择停留在标准测试集中，而是直接将目光投向了真实世界中极其复杂的时序预测难题——天气预报。

为什么会选择天气预报来作为首次验证量子优势的试金石？“量子计算如果能做一个服务于民生的项目，会更具现实意义。”

这项成果令人振奋的特质之一，在于它的“接地气”。由于无需复杂的量子纠错，该方案适配当前处于中等规模且含有噪声的量子设备。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。

这项研究证明了量子系统在真实数据预测的某些“子问题”上，已经能够展现出实际优势。“接下来，我们还需要开展更大规模的系统研发、打造更稳定的硬件，特别是要与现有的数值预报系统进行深度的融合。目前，我们正在跟气象部门进行深度的探讨和合作。”

依托复旦团队成立的不筹量子科技有限责任公司正在研制基于中性原子的量子储层计算专用机，致力于将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，挖掘量子智能模型的规模化优势。

从理论走向应用，离不开背后创新生态的系统性支撑。近年来，上海将量子计算作为未来产业发展的重点方向进行布局，积极营造和完善创新生态，进行全要素和全链条布局，不断集聚顶尖人才、高能级企业、高质量孵化器、高价值场景等资源，持续提高创新的浓度，加速产业培育与落地。

谈及未来应用，李晓鹏表示，量子机器学习的潜力远不止于气象预测，“在小样本学习中，如果应用场景非常复杂，但有效数据量又不够大，这种情况下量子机器学习的优势会更加突出。”随着技术的进一步成熟，这口微观世界里的“记忆水池”，未来有望在金融风险预警、高灵敏智能传感等复杂时序预测领域大显身手。”

“上海科技”出品，转载请注明来源

企业及专家观点不代表官方立场

作者：许织

上观号作者：上海科技