El artículo:
"High-Accuracy Temporal Prediction via Experimental Quantum Reservoir Computing in Correlated Spins" journals.aps.org/prl/abstract/10.1103/r8ww-qw7j Resumen
La computación por reservorio físico ofrece un potente paradigma de aprendizaje automático que explota dinámicas físicas no lineales para el procesamiento eficiente de información. Al incorporar efectos cuánticos, la computación por reservorio cuántico ofrece un potencial superior para aplicaciones de aprendizaje automático, ya que las dinámicas cuánticas son exponencialmente costosas de simular de forma clásica. Aquí presentamos un nuevo enfoque de computación por reservorio cuántico basado en sistemas de espines cuánticos correlacionados, aprovechando interacciones naturales cuánticas de muchos cuerpos para generar la dinámica del reservorio y, con ello, sortear los desafíos prácticos de los circuitos cuánticos profundos. Nuestra implementación experimental soporta entrelazamiento cuántico no trivial y muestra complejidad dinámica suficiente para un aprendizaje automático de alto rendimiento. Alcanzamos un rendimiento de vanguardia en experimentos con bancos de pruebas estándar de series temporales, reduciendo el error de predicción en 1 a 2 órdenes de magnitud en comparación con experimentos previos de reservorios cuánticos. En la predicción meteorológica a largo plazo, nuestro reservorio cuántico de 9 espines ofrece mayor precisión de predicción que reservorios clásicos con miles de nodos. Esto representa la primera demostración experimental de aprendizaje automático cuántico que supera a modelos clásicos a gran escala en tareas del mundo real.
"Cloud Defence. An exposed European flank"
futureinstitute.tech//assets/doc/FOTICloudDefenceReport26.pdf (293 KB)