Predicción de dinámicas caóticas y eventos extremos: Un enfoque de computación cuántica de reservorio sin recurrencia

En los sistemas dinámicos caóticos, los eventos extremos se manifiestan en series de tiempo como picos impredecibles de gran amplitud. Aunque determinísticos, los eventos extremos aparecen aparentemente de manera aleatoria, lo que dificulta su pronóstico. Al aprender la dinámica de observables (datos), las computadoras de reservorio pueden predecir con precisión temporal eventos extremos y dinámicas caóticas, pero pueden requerir muchos grados de libertad (grandes reservorios). En este documento, al explotar ansätze de computadoras cuánticas y entrelazamiento, diseñamos computadoras de reservorio con reservorios compactos y capacidades de predicción precisas. Primero, proponemos la arquitectura de la computadora de reservorio cuántico sin recurrencia (RF-QRC). Al desarrollar mapas de características cuánticas ad-hoc y eliminar conexiones recurrentes, la RF-QRC tiene circuitos cuánticos con profundidades pequeñas. Esto permite que la RF-QRC se escale bien con sistemas caóticos de mayor dimensión, lo que la hace adecuada para la implementación en hardware. Segundo, pronosticamos la dinámica caótica temporal y sus estadísticas a largo plazo de sistemas dinámicos de baja y mayor dimensión. Encontramos que la RF-QRC requiere reservorios más pequeños que las computadoras de reservorio clásicas. Tercero, aplicamos la RF-QRC a la predicción temporal de eventos extremos en un modelo de flujo de cizallamiento turbulento con ráfagas turbulentas. Encontramos que la RF-QRC tiene una mayor predictibilidad que la computadora de reservorio clásica. Los resultados y análisis indican que los ansätze de computadoras cuánticas ofrecen expresividad no lineal y escalabilidad computacional, que son útiles para predecir dinámicas caóticas y eventos extremos. Este trabajo abre nuevas oportunidades para el uso del aprendizaje automático cuántico en computadoras cuánticas de corto plazo.