基于复杂金兹堡-兰道格子动力学的储层计算方法用于混沌时间序列预测

《Chaos, Solitons & Fractals》：Reservoir computing with complex Ginzburg–Landau lattice dynamics for chaotic time-series prediction

　　摘要：我们提出了一种储层计算框架，其内部动力学由复杂的金兹堡-朗道方程控制——这是一种用于受驱动的耗散型模式形成系统的通用振幅方程。每个模型参数都对应于激子-极化子半导体微腔中的物理量：耗散率α对应于腔光子的损耗率，增益和非线性效应对应于激子间的散射以及克尔效应，而节点间耦合则对应于光子的传播。文中还概述了在GaAs/AlGaAs平台上实现该框架的可行方案，即通过空间光调制器以光学方式定义储层晶格。通过与经典回声状态网络、新一代储层计算方法以及在洛伦兹系统、麦基-格拉斯系统和NARMA10任务上的线性自回归方法进行对比测试，发现仅使用16个复数值节点，CGLE储层计算在洛伦兹系统下一步预测任务上就能达到相当高的准确度，尽管该任务的非线性复杂度上限较低。耗散率α可对记忆能力与响应速度之间的平衡进行物理调控，针对短记忆和长记忆任务存在不同的最优调节机制。消融实验表明，CGLE的非线性特性能为不同任务带来优势。这些结果证明了基于CGLE晶格的储层计算框架具有物理基础且易于理解，其动力学由一个已被充分理解的通用方程控制，同时具备可行的实验实现路径。

引言：储层计算作为一种解决时间处理难题的极具前景的技术范式，能够在效率与功能之间实现独特平衡[1]、[2]。2000年代初，通过回声状态网络和液态状态机的概念，储层计算开始发展，它利用高维的、具有循环连接的系统——即储层——将输入信号非线性地转换为丰富的时间表示形式[3]。其核心创新在于保持储层内部的连接结构不变且无需训练，仅需优化线性读出权重[4]、[5]。这种分离方式将训练复杂性从基于迭代梯度优化的过程降低为单一的凸形线性回归问题[6]。对于混沌时间序列而言，储层固有的衰减记忆特性与其底层动力学的时间结构十分契合[7]。储层计算的物理实现方式已远远超越了数值模拟范畴，涵盖了电子、光子、自旋电子、机械以及量子平台等多种类型，每种平台在速度、能效和可扩展性方面都具有独特优势[2]。基于现场可编程门阵列或模拟延迟线的电子实现方式具有高度灵活性，且易于与传统数字系统集成，但通常会受到时钟速度以及与电荷传输相关的能耗限制[8]、[9]。相比之下，光子储层则利用光速极快的传播特性以及光学系统所具备的强大并行处理能力。通过采用带有延迟光学反馈的半导体激光器或耦合的马赫-曾德尔干涉仪网络，相关研究已展现出高达吉赫兹到太赫兹级别的处理速度，远超电子实现方式[10]、[11]。最近，利用磁隧道结和斯格明子特性的自旋电子器件也成为低功耗、非易失性储层计算的有力候选者，它们能够充分利用自旋结构的固有非线性和记忆效应[12]、[13]。此外，基于机械结构和微机电系统的储层则利用微谐振器的振动模式来处理时间信号，从而在恶劣环境中仍能保持稳定运行[14]。在前沿领域，量子储层计算则借助量子系统的高维希尔伯特空间，如玻色子网络或核磁共振装置，有望解决传统储层计算无法处理的难题，不过实际应用仍面临退相干和读出复杂性等挑战[15]。如此多样的物理实现平台体现了储层计算范式的广泛适用性，而寻找一种既能实现超快运行、低能耗，又能保持室温稳定性的平台，依然是该领域发展的核心动力。

除了上述各类平台之外，激子-极化子系统也因出色的非线性光学特性以及与半导体的天然兼容性而受到越来越多关注[16]、[17]。激子-极化子是一种由激子与腔光子之间强耦合产生的混合准粒子，它们具有强烈的克尔型非线性效应、极快的响应速度，同时还具备二维空间结构，这一结构非常适合用于基于晶格的储层计算实现[18]、[19]。由于其受驱动的耗散非平衡特性，这类系统既能产生自组织的时空模式[20]，又能实现内在的非对称信息转换[21]、[22]、[23]，因此无需复杂的额外编程或控制电路。最近的突破性研究成果表明，无论是在无机还是有机系统中，都已在室温条件下实现了极化子凝聚态现象，其中基于钙钛矿的材料平台展现出了尤为广阔的应用前景[28]。Opala等人[29]首次提出了将CGLE极化子-晶格系统用于类脑计算。因此，极化子储层计算代表了一种新兴的类脑计算范式，它利用激子-极化子——即由腔光子与量子阱激子之间强耦合形成的光-物质混合准粒子——来实现高速、低能耗的计算任务[30]、[31]。其理论基础是复杂的金兹堡-朗道方程，这一通用框架可用于描述接近不稳定状态时的模式形成系统，能够有效刻画激子-极化子动力学中相干传播、非线性相互作用以及耗散过程之间的复杂关联[19]、[32]。当将这些动力学关系离散到晶格上时，就会形成具有可控记忆特性的耦合映射，从而可以精确调整储层的時間响应，使其匹配特定的目标系统[33]、[34]。在实验层面，这类系统已经展现了出色的性能，包括能够以较高准确率识别MNIST手写数字[30]、高保真度地重建量子态[34]，以及在复杂图像识别任务中实现超多项式级的量子增强效果[35]。最近，结合储层网络与傅里叶神经算子建模技术的量子类脑计算进展，进一步推动了可扩展的全光类脑硬件的研发，这类硬件有望实现实时的人工智能处理功能[31]、[36]，这使得极化子储层计算成为一项具有变革意义的技术，有望突破传统电子计算架构在速度和能耗方面的局限。

此前将储层计算应用于混沌系统已取得了积极成果，但仍有进一步发展的空间。早期的研究表明，回声状态网络能够以相当高的准确率预测混沌吸引子[4]，后续研究则探讨了最优架构设计以及混合架构的可行性[37]、[38]。新一代储层计算方法[39]通过利用延迟输入的非线性多项式特征，在大幅减少参数数量的情况下依然能够达到行业领先的预测精度，进一步推动了该领域的发展。然而，目前大多数方法都采用通用实现方案，未能充分利用量子光学平台的特殊物理特性。本研究正是着眼于这一需求，开发了一种基于CGLE晶格的储层计算框架，用于高精度模拟洛伦兹混沌动力学[40]。我们通过四阶龙格-库塔积分法，对完整的复杂金兹堡-朗道方程进行符合物理规律的离散化处理，以此构建储层计算模型，并将其与回声状态网络[4]、[41]、新一代储层计算方法[39]，以及在洛伦兹系统、麦基-格拉斯方程和NARMA10任务上的线性自回归方法进行性能对比。通过参数扫描、消融实验、存储容量测试以及非线性特性分析，我们从多个维度对这种储层计算模型进行了全面表征。同时，文中还提出了在半导体微腔平台上实现该模型的可行方案。本文的其余部分结构如下：第2节阐述理论基础，包括复杂金兹堡-朗道方程的描述、其RK4离散化方法以及物理实现方案；第3节汇报在洛伦兹系统预测任务上的测试结果、各种方法的性能对比、参数分析、扩展测试、储层模型特性分析以及误差分析情况；第4节则讨论该研究的意义及未来发展方向。

片段摘录：
CGLE储层动力学：该储层由一个N×N大小的复数值节点晶格构成，这些节点记为ψn∈?，其动力学行为由复杂金兹堡-朗道方程控制（通过四阶龙格-库塔积分法进行计算，固定时间步长为Δt=0.02），方程表达式为：dψndt=?αψn?i∑mWnmψm+(γ?Γ|ψn|2?ig|ψn|2)ψn+P∑jW?njinuj(t)。其中的线性项?αψn描述的是通过分布式布拉格反射器产生的腔光子损耗现象，α值对应于光子衰减率γc，其典型取值范围为0.1–1ps?1。这一耗散率是决定系统性能的关键因素。

洛伦兹系统下一步预测：我们首先评估了CGLE储层计算在洛伦兹系统上的基本预测能力，而洛伦兹系统是混沌时间序列预测任务中的常用基准模型。图2展示了在最小规模N=4的晶格结构下（即16个复数值节点，经过完整特征提取后共有64个实数值特征），CGLE储层计算在洛伦兹系统上的下一步预测效果。从可视化结果来看，预测得到的轨迹在三个坐标维度上都与真实轨迹几乎无法区分。

讨论：洛伦兹系统下一步预测任务的非线性复杂度上限较低。NGRC方法近乎完美的预测性能，以及线性AR(1)方法较高的预测精度（R2=0.926），都表明洛伦兹系统的下一步动态行为主要以线性为主。虽然CGLE方程中也存在非线性效应，但在当前这种线性主导的情境下，这类非线性效应对预测结果的贡献可以忽略不计。耗散率α是一个具有物理意义且在实际应用中足够有效的控制参数。与回声状态网络不同，后者需要同时调整光谱半径、输入尺度等多项参数。

CRediT作者贡献说明：Yong-Jia Chong负责方法设计、实验研究、理论分析以及数据整理工作；Zhi-Hao Sun负责实验研究以及数据整理工作；Xingran Xu负责文章的撰写与编辑、初稿撰写、项目监督、实验研究以及资金申请相关工作。

利益冲突声明：作者们声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了中国国家自然科学基金（项目编号为12404362）以及中央高校基本科研业务费（项目编号为JUSRP123027）的支持。

Yong-Jia Chong | Zhi-Hao Sun | Xingran Xu
江南大学光电信息与物理科学学院，中国无锡市214122