《Engineering Applications of Artificial Intelligence》：Optimal quantum reservoir computing for market forecasting: An application to fight food price crises
编辑推荐：
量子储层计算（Quantum Reservoir Computing, QRC）这一新兴技术，在含噪中等规模量子（Noisy-Intermediate Scale Quantum, NISQ）时代因其高效性、适应性和与当前量子硬件的兼容性而脱颖而出。通过利用量
量子储层计算（Quantum Reservoir Computing, QRC）这一新兴技术，在含噪中等规模量子（Noisy-Intermediate Scale Quantum, NISQ）时代因其高效性、适应性和与当前量子硬件的兼容性而脱颖而出。通过利用量子动力学进行特征提取，QRC为复杂预测任务（如预测农产品价格波动）提供了一种有前景的替代方案，这对应对食品价格危机和供应链可持续性至关重要。在本工作中，研究人员系统地研究了量子储层的设计，并将通过主化准则（majorization criterion）量化的电路复杂度确定为预测性能的一个实用指标。与需要完整态层析或时间反演动力学的其他复杂度度量不同，主化准则仅凭测量统计即可评估，使其特别适用于近期量子设备。研究人员证明，由Hadamard门、受控非（controlled-NOT）门和T门构成的通用门族构建的量子储层，在实现强预测精度的同时，所需门数量远少于广泛使用的横场伊辛模型（transverse-field Ising model）。研究结果表明，量子储层优于深度学习和统计基线方法，并实现了与经典储层计算相当、甚至略优的性能——这一改进与QRC的紧凑模型结构一致，该结构凭借显著更少的可训练参数，更适合在数据稀缺场景下防止过拟合。研究人员进一步探索了在现实噪声条件下的鲁棒性，表明某些类型的量子噪声（如振幅阻尼（amplitude damping））在低错误率下甚至能提升性能。这些发现表明，QRC是数据有限、高影响力领域时间序列预测的一种有前景的工具。
**论文解读：量子储层计算在农产品市场预测中的优化设计与应用**
**研究背景与问题**
时间序列预测在金融、经济、农业等领域至关重要，但农产品市场的高波动性、外部因素依赖以及数据稀缺性给传统预测模型带来挑战。经典储层计算（Reservoir Computing, RC）虽已成功用于时间序列预测，但在处理高维、相互关联的市场数据时，其可扩展性受限于神经元数量。量子储层计算（Quantum Reservoir Computing, QRC）利用量子系统的指数级希尔伯特空间（Hilbert space）进行特征提取，有望克服经典RC的局限性。然而，量子储层的设计（如电路复杂度与性能的关系）尚未系统研究，且现有复杂度指标（如离时有序关联子（Out-of-Time-Ordered Correlators, OTOCs）、Krylov复杂度）在NISQ设备上计算成本高昂。因此，研究人员旨在寻找一种实用、高效的量子储层设计指导准则，并评估QRC在农产品价格预测中的性能，以应对食品价格危机。
**研究内容与结论**
研究人员系统研究了7种量子电路族（G1、G2、G3、Matchgates、D2、D3、DN）以及广泛使用的横场伊辛模型（transverse-field Ising model）作为量子储层，用于预测西班牙东南部西葫芦价格（2013-2022年周度数据），并额外验证于外汇（EUR/USD）和股票（亚马逊）市场。通过主化准则（majorization criterion）量化电路复杂度，发现G3门族（由Hadamard、CNOT、T门组成）的量子储层在均绝对误差（Mean Absolute Error, MAE）和市场方向准确率（Market Direction Accuracy, MDA）上均优于其他族，且仅需约100-200个门，远少于伊辛模型所需的约9000个门。在无回归变量场景下，G3储层预测性能随门数增加而提升，而低复杂度G1、G2族性能退化。含噪声仿真显示，低概率振幅阻尼（amplitude damping）噪声可提升性能，而相位阻尼（phase damping）和去极化噪声（depolarizing noise）则降低性能。加入外部回归变量后，QRC显著优于长短期记忆网络（Long Short-Term Memory, LSTM）、季节性自回归积分滑动平均模型（Seasonal Autoregressive Integrated Moving Average, SARIMA）、Transformer和经典RC，其中经典RC性能接近但略逊于QRC。在额外金融数据集上，主化准则与预测性能的关系一致，QRC在多数指标上达到最优或接近最优。论文发表在《Engineering Applications of Artificial Intelligence》。
**主要关键技术方法**
研究人员采用7种量子电路族（G1、G2、G3、Matchgates、D2、D3、DN）和横场伊辛模型构建量子储层，通过主化准则（majorization criterion）评估电路复杂度。使用岭回归（ridge regression）训练线性读出层，超参数经贝叶斯优化（Tree-structured Parzen Estimator）调优。数据集来源包括西班牙东南部西葫芦市场（2013-2022年周度价格）、外汇市场（EUR/USD 2007-2022年每日收盘价）和股票市场（亚马逊2018-2023年每日收盘价）。噪声模型包括振幅阻尼（amplitude damping）、相位阻尼（phase damping）和去极化噪声（depolarizing noise），错误概率范围为0.001至0.2。
**研究结果**
**3.1 无回归变量预测**
通过比较不同电路族的MAE和MDA，发现G3门族（通用门族）的量子储层在门数约150时达到最优性能（MAE=0.13，MDA=0.50），而G1和G2门族（非通用）性能随门数增加而退化，最终接近随机猜测（MDA≈38%）。G3与Matchgates族性能接近，但Matchgates实验实现更复杂。伊辛模型性能最优但需约9000个门，远多于G3的150个门。当量子比特数从2增至7时，性能提升并收敛，7比特为最佳平衡点。
**3.2 量子噪声下的性能**
在G3门族上施加三种噪声模型，发现振幅阻尼噪声在低概率（如p=0.001）下可提升MAE和MDA，而相位阻尼和去极化噪声仅降低性能。MDA对噪声比MAE更敏感，尤其在相位阻尼下。该现象归因于振幅阻尼的非单位性（non-unital）特性，可增加泡利算符分解中的非零项，从而丰富储层动力学。
**3.3 回归变量的帮助**
加入外部回归变量（每周日价格）后，各电路族性能差异缩小，但G3族仍最优（MAE=0.124，MDA=0.613，200个门）。与经典基线对比：QRC优于LSTM（MAE=0.154，MDA=0.377）、SARIMA（MAE=0.160，MDA=0.453）、Transformer（MAE=0.179，MDA=0.565），并略优于经典RC（MAE=0.141，MDA=0.604）。Diebold-Mariano检验显示QRC显著优于所有基线（p<0.001）。QRC仅需26个可训练参数，远少于LSTM（约71k）和Transformer（约10k），且泛化间隙小（训练与测试MAE比值为1.04）。
**3.4 额外金融时间序列验证**
在外汇和股票数据集上，主化准则与性能的关系与西葫芦数据一致：G3和Matchgates族性能最优，G1、G2族退化。QRC在ForEx上MAE=0.0132，MDA=0.675，优于除经典RC（MDA=0.675）外的所有基线；在股票上MAE=2.643，MDA=0.543，优于大多基线，与经典RC（MDA=0.548）相当。Transformer在数据有限时表现不佳。
**讨论与结论**
研究人员总结指出，QRC通过主化准则指导的储层设计，可在NISQ设备上实现高效、紧凑的预测模型，在数据稀缺、高波动性领域（如农产品市场）具有优势。G3门族电路仅需约100个门，且与当前量子硬件兼容。QRC的紧凑结构（7比特）可媲美经典RC（120神经元），但可训练参数更少，有效防止过拟合。未来工作可扩展至谷物等期货市场、在真实硬件上实现、开发可解释性方法，并拓展至多序列预测。
