09:55arXiv cs.LG@Maida Wang, Xiao Xue, Minh Chung, Peter V. Coveney精选该论文为量子信息机器学习在混沌动力系统预测中的实用量子优势建立了理论基础。作者提出了一族k阶量子统计先验(Q-Priors),利用叠加和纠缠在量子比特上紧凑存储不变测度的空间相关性。在提取阶段,联合贝尔测量可在与量子比特数无关的副本对数量下估计任意泡利泛函,而经典自适应单副本协议需要指数级副本数,这证明了量子-经典在副本测量复杂度上的分离。该机制在湍流通道流和中程天气预报(ECMWF ERA5再分析数据)两个案例中验证,其中天气预报的异常相关技能在48-240小时提前期提升10-39%,并减少了长期滚动预测向静态平均场的崩溃。论文指出,在容错量子硬件出现之前,这为实用量子优势提供了一条候选路径。论文量子机器学习混沌预测量子优势天气预报湍流模拟推荐理由:量子机器学习终于有了一个可验证的实用优势机制——在混沌预测任务中,量子方法用更少的测量副本实现经典无法比拟的精度。做气候建模、流体力学或量子计算的团队值得关注,这可能是容错量子计算前最接近落地的量子优势路线。原文