中国科学院大学彭新华教授和李兆凯副教授团队在《物理评论快报》发表研究称，一个由九个相互作用自旋构成的量子处理器在现实天气预测任务中取得了优于大型经典网络的表现。

研究指出，量子系统可利用叠加与纠缠等特性，为信息表示与处理提供不同于经典计算的路径。尽管近期实验已在部分基准任务中显示量子方法的潜在优势，但将其推广至现实应用仍面临挑战，原因之一在于不少量子方案依赖复杂量子电路，而在当前噪声较高的硬件条件下难以实现高精度控制。

在该项工作中，研究人员将重点放在量子系统的本征动力学上，认为其自然演化本身即可提供丰富的计算能力，从而减少对深度量子电路的依赖。基于这一思路，团队采用储备计算（reservoir computing）框架：在该类受大脑启发的机器学习方法中，动态系统对输入信号进行处理并保留记忆，而无需对系统进行精确、逐步的控制。

按照论文描述，研究将输入信号编码为量子态，量子态在纠缠作用下的演化以经典方式难以高效模拟的形式处理信息。研究还将通常被视为不利因素的耗散过程用于调节系统记忆能力，使其成为可利用的资源。

实验实现方面，团队使用核磁共振技术构建了由九个相互作用原子自旋组成的量子储备计算机。研究人员首先在时间序列预测基准任务NARMA上进行测试，称其性能达到实验量子方法中已报告的最佳水平，预测误差相较此前基于电路的实现降低了一个到两个数量级。

在进一步的应用测试中，研究人员将该系统用于天气预测任务。结果显示，该量子模型能够较准确地捕捉数天的温度变化趋势。

研究同时将该量子储备计算系统与标准经典储备模型回声状态网络（Echo State Network）进行对比。论文称，在多日预测场景下，这一九自旋量子储备的准确度超过了拥有数千节点的经典储备网络。

研究人员表示，上述结果为量子机器学习系统在现实任务中可能优于规模更大的经典系统提供了实验证据，并提出利用当前量子设备的本征动力学开展应用探索，或可在无需等待完全容错量子计算机的情况下推动可用场景的发展。