复旦团队用9个量子自旋做储层计算，天气预报误差明显下降

现实中有不少问题，并非“看一眼就能下判断”的时间序列。这类问题难在哪？系统的当前状态不只由眼前的输入决定，还跟过去一段时间里攒下的信息有关。也就是说，好的预测系统得记住过去，还得把新旧信息掺在一起，再下判断。

传统深度学习门槛高、训练成本也高。为了绕开这一点，研究人员挑了个更省事的思路：储层计算。它的做法是让一个本身动力学行为就很丰富的系统去扛主要计算任务，学习只发生在最后的输出层。

换个说法，研究人员把输入信号不断送进一个会自然变化的系统，系统对输入作出响应，也会留下一些历史痕迹；过一阵子，系统内部就形成了一种既带着“记忆”又带着“变化”的状态。这时候不用把整个系统从头训练一遍，只读取它的输出，再训一个简单的读出层，预测任务就能完成。物理储层计算的好处也在这儿：学习成本低、推理速度快。

把这里的“系统”换成量子系统，得到的就是量子储层计算。

量子储层计算既继承了物理储层计算的长处，又因为量子系统内部变化更丰富，能拿到更强的信息处理能力。量子系统的优势不在于“更神秘”或“更前沿”，而在于它内部的关联和演化比经典系统更复杂，这些复杂变化可以直接变成处理时间信号的能力。

这项研究的核心，是把一个真实的量子系统直接当“储层”来用。研究团队用的是核磁共振平台上的一个9自旋系统，即由9个彼此关联的量子自旋组成的小网络。外部输入进来后，这个小系统会自然演化，把当前输入和过去留下的痕迹混在一起，形成可用于预测的内部状态。该方案靠的是量子自旋体系里天然存在的多体相互作用，而不是复杂的人造量子线路。

这么个不算大的系统，凭什么表现出很强的计算能力？原因有三。

第一，量子自旋之间本就存在复杂的相互作用。

第二，系统的衰减不全是坏事。

第三，这种系统把读出信号用得更充分。

传统做法更像只给系统拍一张照片，量子储层计算则像截了一小段短视频。前者只看到一个时刻，后者能看到信号怎么随时间变化。自旋之间的复杂作用、适度的衰减，再加上对FID的更充分利用，这几样叠在一起，才让这个小量子系统表现出超出直觉的计算能力。

机器学习方法究竟有没有用，终归得看它执行任务时的表现。研究团队先拿学术界常见的时间序列基准任务做了测试，结果这种量子储层计算的误差比此前一些实验低 1 ~ 2 个数量级，预测精度的提升相当明显。

不过他们并没有停在“标准考题”上，而是接着测了一个更贴近现实的问题：天气预测。

测试用的是印度德里的日度气候数据，预测对象为温度和湿度，除了下一步结果，还尝试了难度更高的多步预测。选德里，是因为当地气候变化季节性较强，温度和湿度波动也较明显，正好提供一个既真实又有挑战性的时间序列测试场景。拿这样的真实数据检验模型，更能看出这类方法有没有走向实际应用的潜力。

天气预测难，难在天气系统本身复杂，误差会随预测步数增加而快速累积。短期预测看着不错，往后多推几步，结果就可能很快偏离真实轨迹。天气预测因此一直是衡量时序模型能力的重要场景。

这还不能说明量子计算已在机器学习中全面领先。与它比较的主要是储层计算框架下的一类经典模型，并非所有可能的经典方法。对“量子优势”这个词，仍需保持谨慎。

但即便这样，这项工作依然重要。它说明了一件事：量子技术的价值未必非要等到未来大型通用量子计算机出现才显现。今天规模不大的量子系统，只要设计得当，也可能在现实情景中派上用场。

从这个角度看，这项工作的意义不只是“预测天气做得不错”，更在于让人看到量子机器学习正一步步走向“现实中有用”。

量子技术最早落地的，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，比如对天气这个复杂系统做出更准确的预测。