科学家们在量子技术方面取得了重大进步，这些技术可以通过一种准确有效的方法来转换复杂的系统建模，这种方法需要显着减少内存。

复杂系统在我们的日常生活中发挥着至关重要的作用，无论是预测交通模式、天气预报还是了解金融市场。然而，准确预测这些行为并做出明智的决定依赖于存储和跟踪来自遥远过去的事件的大量信息——这个过程带来了巨大的挑战。

当前使用人工智能的模型发现它们的内存需求每两年增加一百倍以上，并且通常涉及对数十亿甚至数万亿参数的优化。如此巨大的信息量导致瓶颈，我们必须在内存成本与预测准确性之间进行权衡。

来自曼彻斯特大学、中国科学技术大学 (USTC)、新加坡国立大学量子技术中心 (CQT) 和南洋理工大学 (NTU) 的研究人员合作团队提出，量子技术可以提供一种减轻这种权衡的方法。

该团队已经成功地实现了量子模型，这些模型可以模拟一系列复杂的过程，而只有一个量子比特的内存——量子信息的基本单位——大大减少了内存需求。

与依赖于随着添加更多来自过去事件的数据而增加内存容量的经典模型不同，这些量子模型将永远只需要一个量子比特的内存。

这一发展发表在《自然通讯》杂志上，代表了量子技术在复杂系统建模中应用的重大进步。

曼彻斯特大学的项目负责人兼 Dame Kathleen Ollerenshaw 研究员的Thomas Elliott 博士说：“许多关于量子优势的提议都集中在使用量子计算机来更快地计算事物。我们采用互补方法，转而研究量子计算机如何帮助我们减少计算所需的内存大小。

“这种方法的一个好处是，通过为内存使用尽可能少的量子位，我们更接近于近期量子技术的实用性。此外，我们可以使用我们释放的任何额外量子位来帮助减轻我们的量子模拟器中的错误。”

该项目建立在 Elliott 博士和新加坡团队早期提出的理论基础上。为了测试复杂系统建模方法的可行性，他们与 USTC 合作，后者使用基于光子的量子模拟器来实现所提出的量子模型。

与任何配备相同内存量的经典模拟器相比，该团队实现了更高的准确性。该方法可以适用于模拟具有不同行为的其他复杂过程。

中国科学技术大学博士后研究员、该研究的联合第一作者吴康达博士说：“量子光子学是为量子计算提出的最不容易出错的架构之一，尤其是在较小的尺度上。此外，由于我们正在配置我们的量子模拟器来模拟一个特定的过程，我们能够微调我们的光学组件并实现比当前通用量子计算机典型的更小的错误。”

CQT 研究员、该研究的联合第一作者 Chengran Yang 博士补充说：“这是量子随机模拟器的首次实现，最终证明了信息随时间通过内存传播，并证明了更高的准确性比任何具有相同内存大小的经典模拟器都要多。”

除了直接的结果，科学家们表示，这项研究为进一步研究提供了机会，例如探索与经典模型相比，量子模型中减少热耗散的好处。

他们的工作还可以在金融建模、信号分析和量子增强神经网络中找到潜在的应用。

接下来的步骤包括计划探索这些联系，并将他们的工作扩展到更高维的量子存储器。

参考链接：https://www.technology.org/2023/06/04/complex-systems-modelling-with-quantum-technologies/