量子储备池计算与湍流

储备池计算（reservoir computing, RC）用固定的高维非线性动力学把输入映射到特征空间，只训练一个线性读出层——训练退化为最小二乘，回避了递归网络的反向传播困境。量子储备池计算（quantum reservoir computing, QRC）把储备层换成量子系统：$n$ 个量子比特的 $2^n$ 维希尔伯特空间提供指数大的特征库。流体方向已有两项实证：Salatino 等用 5 比特 Ising 储备池预测低维湍流，有效预测时间提升两个数量级Salatino et al. 2025 (PoF)；Pfefer 等用门式量子储备池重构二维湍流 Rayleigh–Bénard 对流的 POD 潜空间Pfefer et al. 2023 (PRResearch)。

储备池计算原理与 echo state 性质

经典回声状态网络（echo state network, ESN）的储备态更新为

$$r_k=(1-\alpha )r_{k-1}+\alpha \tanh (W{r}_{k-1}+W_{in}{s}_k),$$

其中 $s_k$ 为输入、$r_k\in {\mathbb{R}}^{N_r}$ 为储备态、$W$（储备权重）与 $W_{in}$（输入权重）随机生成后冻结不训练，泄漏率 $\alpha \in (0,1]$ 控制记忆时间常数。读出为线性回归 $y_k=W_{out}{r}_k$，由 Ridge 最小二乘闭式求解：

$$W_{out}=Y{R}^T(R{R}^T+\lambda I{)}^{-1}.$$

可训练参数只出现在读出层，训练无局部极小问题——这是 RC 对深度学习的核心简化。理论基石是 echo state 性质：当 $W$ 的谱半径小于 1 时，储备态是输入历史的衰减函数，网络”遗忘”初始条件、只由输入驱动——这保证训练出的读出对未见序列泛化。湍流时间序列预测正是 RC 的强项：混沌吸引子的短期确定性 + 统计层面的长期遍历性，与”非线性映射 + 线性读出”的结构匹配。

量子储备池：Ising 哈密顿量与门式电路

Fujii–Nakajima 型量子储备池用横向场 Ising 哈密顿量充当固定动力学，输入经磁场调制进入（QC059 的 Eq. 1）：

$$H_k=\sum _{i<j}{J}_{ij}{\sigma }_i^x{\sigma }_j^x+h\sum _i{\sigma }_i^z+\sum _i{h}_k^i{\sigma }_i^x,h_k^i=\sum _j{\beta }_j{C}_{ij}{s}_k^j,$$

$J_{ij}$、$h$、$C_{ij}$ 随机固定；第 $k$ 步的输入 $s_k$ 经耦合矩阵 $C$ 编码为时间依赖的横向场 $h_k^i$。演化后测量单体与双体泡利期望（${\sigma }_i^{\alpha }$ 及 ${\sigma }_i^{\alpha }{\sigma }_j^{\beta }$）拼接成特征向量交给读出层。量子性的价值在于：$n$ 比特张成 $2^n$ 维态空间，且相互作用自然产生经典网络难以配置的高阶非线性特征。门式变体（QC060）用参数化电路替代哈密顿量演化——$l$ 层 $R_Y$ 单比特旋转与邻接 CNOT 交替，读出为 ${\sigma }_z$ 对角元；它更贴近 NISQ 硬件的原生门集。

低维湍流预测：时间多路复用的两个数量级

图:混合 QRC 流程——输入调制 Ising 哈密顿量,同一输入演化两个不同时长后拼接测量,再经经典记忆与 Ridge 线性读出输出预测(来源:QC059)

Salatino 等的储备池为 $N=5$ 比特（Fujii–Nakajima 型），配两项增强Salatino et al. 2025 (PoF)：时间多路复用——同一输入分别演化 $\Delta t_1$、$\Delta t_2$ 两个时长（$L=2$），测量向量拼接，等效扩大特征库而不增加比特数；经典记忆——储备态更新为

$$r_k=\gamma {\hat{S}}_{n_S}{r}_{k-1}+{\hat{B}}_{l_r}{m}^k,$$

${\hat{S}}_{n_S}$ 为循环移位、${\hat{B}}_{l_r}$ 为插零映射，把量子测量 $m^k$ 与历史混合（弥补量子测量坍缩丢失的记忆）。

测试系统是二维周期域 NS 方程的五模 Galerkin 截断（波矢 ${\mathbf{k}}_1=(0,1)$ 至 ${\mathbf{k}}_5=(3,0)$ 的五维实子空间自治系统），强迫参数取 $F=28.718$（混沌起点、倍周期分岔）与 $F=33$（强湍流、奇怪吸引子），并以 Lorenz-63 为对照组。预测质量的度量是有效预测时间（valid prediction time, VPT）：归一化误差（阈值 $ϵ=0.3$、按各分量标准差归一）首次越界的步数。结论：

• 无时间多路复用时 VPT 仅约 10 步；启用后 VPT 提升两个数量级至 2500 步——约合最慢模态的 38 个非线性时间、最快模态的 370 倍周期；
• 最优超参区（小耦合 $J$、场强 $h$ 不压过输入项）在 NS 五模系统与 Lorenz-63 之间一致，提示量子编码的鲁棒性而非逐例调参。

诚实的注记：论文没有与经典储备池（同规模 ESN）对比，结论止于”可靠预测”；量子相对经典的增益在此算例上未定量建立。

Rayleigh–Bénard 对流 ROM：与经典储备池相当、规模小 4–8 倍

图:H1/H2 两种门式量子储备池——7 比特、l=3 层 R_Y 与邻接 CNOT 交替(来源:QC060)

Pfefer 等处理的是真正的二维湍流对流（Boussinesq 方程组，Ra=$10^5$、Pr=10、长高比 $\Gamma =2\sqrt{2}$，$384\times 96$ 网格、$N_{dof}=110592$）Pfefer et al. 2023 (PRResearch)。数据管线：DNS 快照经 POD 降维到 16 维潜空间（前 3 模态含 63% 能量、16 模态 87%），储备池在潜空间运行——输入前 3 个模态、开环重构其余 13 个——再经 POD 展开（POE）解码回流场。两种量子储备池：

• H1（先前工作）：门式电路 + 外部经典记忆，曾在 IBM 真机上运行 Lorenz-63；
• H2（全量子）：引入 leaky rate $ϵ$ 缩放与伪初始化 $\mathrm{ini}(\omega )=R_Y(2\arccos \omega )$，储备态更新完全在电路内完成、无需外部记忆。

结论：H1 与 H2 都能重构低阶统计量（速度/温度 rms 垂直廓线、对流热通量 $⟨u_{z}T{⟩}_{x,t}$），精度与经典稀疏随机储备池相当，但储备池规模小 4–8 倍——量子 $n=8/9$ 比特（$2^8/2^9$ 维）对经典 $N_r=2048$；最优超参 $ϵ\approx 0.2$。这是 QRC 文献中少有的”有经典基线”的对比。

局限与定位

QRC 的增益机制（指数希尔伯特空间、天然高阶相关）在两项实证中分别表现为”无基线的可靠性”与”同精度更小规模”。开放问题包括：测量坍缩与输入重置的噪声鲁棒性、比特数增大时读出维数的测量成本、以及与经典 RC 的系统性基准（不同规模、不同任务族）。作为湍流时间序列代理模型，它与ml-turbulence-closure的经典数据驱动闭包、quantum-generative-models的分布学习构成互补的三种数据驱动姿态。

延伸阅读

• quantum-rom
• ml-turbulence-closure
• quantum-generative-models
• turbulence-simulation