🤖 AI

Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

本文提出了一种将数据重上传电路与量子哈密顿量嵌入相结合的量子神经网络模型，证明了其在图像数据集上优于量子卷积神经网络的性能，并基于经典深度学习启发式方法建立了量子机器学习的六项设计原则。

原作者： Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

发布于 2026-07-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教一个机器人识别图片，比如分辨猫和狗。几十年来，我们一直使用“经典”计算机来做这件事，将它们构建得像巨大的、复杂的工厂，数据在许多处理层中流动。但现在，科学家们在问：如果我们利用量子物理学中那些奇妙、神奇的规则来构建一个更聪明、更快速的机器人呢？这个领域被称为量子机器学习。现在的核心问题不再仅仅是速度，而是如何将图片输入到量子计算机中。在经典世界里，你可以直接把照片丢进内存。但在量子世界里，你必须将那张照片翻译成一种特殊的“量子语言”（称为嵌入），且不能丢失图片的形状或含义。如果你翻译错了，机器人就会感到困惑。这篇论文探讨了这一翻译问题，即我们应该只是将旧的计算机技巧“复制粘贴”到量子世界，还是发明一种尊重量子物理学独特本质的新方法。

这篇论文的作者们——来自墨尔本大学和新南威尔士大学的研究团队——决定不再试图将经典的计算机技巧强加于量子机器。相反，他们研究了成功的经典深度学习是如何运作的，并尝试将这些“直觉”（启发式方法）引入量子领域。他们构建了一种新型的量子分类器，一种旨在对图像进行分类的模型，它使用了两个主要成分：一个“数据重上传”电路（这意味着将图片信息多次喂入量子计算机，就像为了更好地理解而把书读两遍一样）和一个“量子哈密顿量嵌入”。可以将哈密顿量嵌入想象成一个特殊的镜头，它将整张图片转化为一个单一且复杂的量子“配方”（一个矩阵），而不是仅仅将每个像素变成一个简单的旋钮设置。这使得量子计算机能够一次性处理整个图片的形状，而不是将其压扁成一条杂乱的数据线。

当他们在 MNIST（手写数字）和 FashionMNIST（服装项目）等著名图像数据集上测试他们的这种新模型时，结果非常惊人。在这些模拟实验中，他们的新模型击败了之前的“黄金标准”量子模型，即量子卷积神经网络（QCNN）。在 MNIST 测试集上，他们的模型达到了近 90% 的准确率，而基准模型的准确率仅为约 47%，实现了超过 40 个百分点的绝对提升。即使在更复杂的 FashionMNIST 数据集上，它也表现稳健，显著优于基准模型。作者们并未止步于数字，他们利用这些结果提出了六条设计未来量子机器学习模型的“交通规则”。他们建议，我们不应该仅仅痴迷于立即提高速度，而应该专注于保持数据的自然形状（例如照片的二维网格），尽可能减少在经典计算机上的“预加工”，并避免那些会意外误导模型产生偏差的方法。本质上，他们认为，要让量子计算机擅长人工智能，我们需要停止试图让它们表现得像经典计算机，而是要让它们表现得像量子计算机，利用量子物理学的独特数学逻辑来完成繁重的任务。

技术摘要：用于数据重上传分类器的量子哈密顿量图像嵌入

问题陈述
量子计算在机器学习（QML）中的应用传统上侧重于通过运行时的加速来实现量子优势，例如通过量子线性代数对经典算法进行“量子化”（如使用 qPCA 进行子程序）。然而，近期的讨论质疑了加速是否是 QML 的最优目标，并建议应由量子特有的属性或来自经典深度学习的启发式方法来指导模型设计。在图像分类领域，存在一个特定的挑战：经典深度学习高度依赖信息的局部性和平移不变性（例如 CNN、Vision Transformer）。现有的 QML 图像处理方法往往难以处理高维数据，频繁需要经典预处理（通过 PCA 或预训练网络进行降维）或使用嵌入方法（如角度嵌入或振幅嵌入），而这些方法可能会引入不必要的偏差，或无法保留图像数据的内在二维结构。

方法论
作者提出了一种结合了**数据重上传电路（Data Reuploading Circuit）架构与量子哈密顿量嵌入（Quantum Hamiltonian Embedding）**方法的量子神经网络（QNN）分类器。

哈密顿量图像嵌入： 该模型并非将图像展平或将像素值编码为旋转角度（角度嵌入），而是将灰度图像矩阵 $M$ 视为一个厄米算符（Hermitian operator）。图像首先被“厄米化”（ $H_M = (M + M^T)/2$ ），然后通过幺正时间演化算符 $W(t; M) = e^{-iH_M t/2}$ 编码进量子态，其中 $t$ 是一个可训练参数。这种方法保留了图像的二维结构，并在整个图像层面应用了矩阵多项式非线性，避免了角度嵌入中与周期性三角函数相关的偏差。
数据重上传： 模型利用变分电路，其中数据编码幺正算符（ $W$ ）和参数化幺正层（ $V$ ）重复进行 $L$ 次。准备的量子态为 $|\phi(t, \vec{\omega}; M)\rangle = \prod_{i=1}^L [V(\omega_i)W(t_i; M)] |+\rangle^{\otimes n}$ 。这模仿了经典深度网络中输入数据的复用，使模型能够通过数据与可训练参数之间的反复相互作用来学习复杂函数。
架构： 参数化层 $V$ 由以砖墙布局（brick-wall layout）排列的 $SU(4) $幺正门组成（对于更大的量子比特数则使用$ SU(N)$）。分类通过测量对应于类别标签的投影算符来完成，并通过交叉熵损失进行优化训练。

核心贡献

模型构建： 本文构建了一种结合了哈密顿量嵌入与数据重上传范式的创新 QML 分类器。
性能基准测试： 作者通过数值实验证明，该模型在图像分类任务上显著优于基准量子卷积神经网络（QCNN）。
设计原则： 基于模型的构建及实验结果，作者提出了六项指导未来 QML 模型设计的原则，将重点从纯粹的加速转向架构启发式方法和数据内在结构。

实验结果
模型在四个数据集上进行了评估：Kaggle CT 医学图像、Sklearn Digits 数据集的子集、以及 MNIST 和 FashionMNIST 数据集的子集。

性能提升： 提出的 “HamEmb” 模型在图像分类任务中始终优于使用振幅嵌入和展平输入的基准 QCNN。
- 在 MNIST 测试集（8 类）上，HamEmb 实现了 89.72% 的准确率，而 QCNN 为 47.03%，差距超过 40%。
- 在 FashionMNIST 测试集上，HamEmb 达到了 77.77% 的准确率，而 QCNN 为 42.90%。
- 在 Sklearn Digits 数据集上，HamEmb 达到了 94.40% 的准确率，而 QCNN 为 78.95%。
鲁棒性： HamEmb 模型在 20 个（针对较小数据集）或 5 个（针对较大数据集）不同的随机参数初始化下表现出一致的性能，而 QCNN 的性能波动较大且普遍较低。
可扩展性观察： 虽然模型表现良好，但作者注意到从 MNIST 转向更复杂的 FashionMNIST 时性能有所下降。他们将其归因于模型的全局编码特性（将整个图像视为一个哈密顿量），这可能缺乏小型卷积核或基于补丁（patch-based）方法所具备的细粒度局部特征提取能力。

意义与主张
本文声称其主要贡献不在于实现超越经典方法的运行速度提升，而在于证明了可以将来自经典深度学习的启发式知识和经验性知识成功整合到 QML 中，以提高性能。

作者认为：

加速并非首要指标： 设计 QML 模型应首先优先考虑性能指标（如准确率）和与数据的结构对齐，而非单纯寻求量子加速。
数据结构至关重要： 通过哈密顿量嵌入保留数据的内在结构（如图像的二维空间结构）优于那些展平数据或引入周期性偏差的方法。
减少经典预处理： 该模型避免了将特征提取任务交给经典骨干网络（如 ResNet），允许量子电路直接处理原始（或极简处理后的）数据。
非线性来源： 模型利用了量子哈密顿量时间演化过程中固有的非线性（通过指数映射的泰勒展开），而非仅仅依赖于测量诱导的非线性或经典激活函数。
避免不必要的偏差： 通过避免角度嵌入，该模型规避了由周期性函数形成的决策边界偏差。

最终，本文提出了这六项原则——从“减少对加速的初始关注”到“警惕不必要的偏差”——旨在提供一个框架，用于设计更有效的量子神经网络，使其既能尊重数据的本质，又能适应当前量子硬件的约束。

技术摘要：用于数据重上传分类器的量子哈密顿量图像嵌入

类似论文