⚛️ quantum physics

Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

本文提出了一种增强型量子卷积神经网络框架，该框架利用带有记忆化机制的灵活数据量化以及一种新型集成编码策略，旨在提高性能与适应性的同时，与现有方法相比减少量子资源需求。

原作者： Daniele Lizzio Bosco, Beatrice Portelli, Giuseppe Serra

发布于 2026-08-21

📖 1 分钟阅读🧠 深度阅读

原作者： Daniele Lizzio Bosco, Beatrice Portelli, Giuseppe Serra

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

在快速发展的计算领域，一个新的前沿正在涌现，在这里，量子力学的定律与教机器如何“看”的艺术相遇。几十年来，人工智能一直依赖经典计算机来处理图像，识别从医学扫描到遥远星系照片中的各种模式。这些被称为神经网络的系统虽然强大，但正开始撞上一堵复杂性的墙壁。量子机器学习应运而生，这是一个试图利用量子物理那奇异、反直觉的特性来解决当今超级计算机难以处理的问题的领域。在这个领域中，最具有前景的应用是使用量子电路处理图像的能力，这有可能从数据中提取出经典方法会遗漏的隐藏特征。然而，一个重大的障碍依然存在：目前的量子计算机非常脆弱、多噪声，且可用的构建模块（称为量子比特）非常少。它们目前还无法处理处理高质量图像时所需的庞大且复杂的计算，否则会导致信息丢失或因干扰而崩溃。这产生了一个迫切的需求，即寻找更聪明的方法将数据喂给这些脆弱的机器，确保有限的可用资源得到最高效的使用。

乌迪内大学和那不勒斯费德里科二世大学的研究人员通过开发一种为量子计算机准备和处理图像数据的新方法，解决了这一挑战。他们的工作专注于一种专门用于图像识别的特定类型量子神经网络，称为“量子卷积神经网络”（quanvolutional neural network）。与试图学习并调整自身内部设置的传统量子模型不同，这种方法使用固定的、不可训练的电路作为复杂的滤波器。团队确定了标准流程中的两个主要瓶颈：图像在进入量子计算机之前被简化的方式，以及数据转化为量子态的僵化方式。他们提出了一个新的流水线，将这些步骤合并为一个灵活的操作，使系统能够适应当前硬件的严格限制，同时保留更多原始图像的细节。

第一个创新解决了数据简化的问题。为了在量子计算机上运行，图像必须从连续的颜色和阴影范围转换为机器可以理解的格式。标准方法涉及将图像简化为仅有的两种颜色——黑与白，这个过程被称为二值量化。虽然这节省了计算能力，但它丢弃了大量的细节，就像试图仅用几种原色来描述一幅画一样。研究人员引入了一种灵活的方法，允许更多的灰色等级，从而保留了原始图像的细微差别。为了使其具有实用性，他们使用了一种称为“记忆化”（memoization）的技术，它就像一个智能记忆库。当系统处理图像时，它会记录下遇到的每种独特模式的结果。如果相同的模式再次出现，系统只需直接调用答案，而不是重新计算。这种策略使他们能够使用更高数量的灰度级，保持图像细节丰富，同时在某些数据集上将量子计算机运行计算的次数减少了95%以上。

第二个，或许也是更显著的突破，涉及数据究竟是如何输入量子电路的。在以往的方法中，被分析的图像块的大小决定了所需量子构建模块的数量。如果研究人员想要分析更大的图像块，他们就需要比例增加的量子比特数量，这很快就会超过现有机器的能力。新方法打破了这种僵化的联系。通过将数据转换和处理步骤整合到一个电路中，研究人员可以选择独立于图像块大小的量子比特数量。这意味着他们可以使用少量且易于管理的量子比特来处理更大的图像块，或者随着更好硬件的出现而进行扩展。该系统的工作原理是直接利用像素的亮度来控制量子门的旋转，在经典图像与量子处理器之间建立了一个直接且高效的桥梁。

为了测试他们的想法，团队将这一新模型应用于两个截然不同的现实世界问题。第一个涉及分类星系图像，区分两种特定的宇宙结构。第二个任务是根据探测器中的能量特征来识别不同类型的亚原子粒子。他们将这种新的集成模型与标准的经典计算机程序以及使用旋转编码的传统量子方法进行了对比。结果显而易见：在所有测试的图像块尺寸下，新的集成模型始终优于传统的量子方法。在星系分类任务中，它实现了超过80%的准确率，超越了标准量子模型和经典计算机。在粒子检测任务中，它也击败了经典计算机，而传统的量子模型则表现不佳。

研究还表明，用于将像素亮度转化为量子设置的具体数学函数至关重要。某些函数会导致稳定的高性能结果，而另一些函数则会导致系统变得不稳定且不可靠。这表明，量子电路的“个性”与它的结构同样重要。此外，研究人员发现，通过简单地增加计算步骤，就可以调节他们的新电路探索不同可能性的能力（这种属性被称为“表达能力”）。这种灵活性允许科学家设计出与特定硬件约束完美匹配的电路，这是在当前嘈杂的中型规模量子设备时代的一个关键优势。

最终，这项工作证明了我们不需要等待完美的、无误差的量子计算机就能在图像处理领域看到收益。通过重新思考数据准备方式以及数据如何与量子电路进行交互，构建既准确又更具资源效率的模型是可能的。研究人员已向公众开放了他们的代码和方法，邀请他人在此基础上进行开发。他们的发现表明，通过正确的工程设计，量子机器学习可以超越理论实验，开始解决天文学、物理学及其他领域的实际问题，即使是在我们现有的这些并不完美的机器上。

技术摘要：旨在增强量子卷积神经网络（QuanvNN）的集成编码与量化技术

问题陈述
量子机器学习（QML）在应用于计算机视觉时，在当前的含噪声中规模量子（NISQ）设备上面临重大障碍。具体而言，由于参数移位规则（parameter-shift rules）需要高昂的优化成本，具有非训练参数的量子卷积神经网络（QuanvNN）更受青睐。然而，现有的 QuanvNN 预处理流水线存在两个主要的低效问题：

信息损失与效率的权衡： 标准的二值量化减少了输入图像块（patches）的唯一数量，从而降低了所需的量子电路执行次数。然而，这种激进的二值化往往会导致显著的信息损失，从而降低模型在需要细粒度数据的任务上的表现。
编码中的硬件约束： 传统的编码方法（如旋转编码）所需的量子比特数与输入图像块的大小呈二次方关系（对于 $k \times k$ 的卷积核，需要 $k^2$ 个量子比特）。这种僵化的依赖关系限制了模型在量子比特数量有限且相干时间较短的设备上扩展到更大卷积核规模的能力。

方法论
作者提出了一种新型的预处理流水线和一种新的编码策略，以解决上述局限性。

基于记忆化（Memoization）的可调数据量化：
作者并未采用二值量化（ $N=2$ ），而是引入了一种灵活的量化方法，其中量化层级数 $N$ 是一个可调参数。像素强度 $x \in [0, 1]$ 通过公式 $q(x) = \lfloor x \cdot N \rfloor / (N-1)$ 被映射到 $N$ 个离散层级。

记忆化： 构建一个查找表（look-up table），用于存储遇到的每一个唯一量化图像块的量子电路输出。这确保了相同的图像块不会被重复处理。
权衡： 该方法允许用户在信息保留能力（较高的 $N$ ）与计算负载（较低的 $N$ 可减少唯一图像块的数量和电路执行次数）之间进行平衡。

集成编码策略：
本文引入了一种将传统的“编码”与“处理”步骤合并到单个量子电路中的新编码方法。

机制： 输入图像块的经典像素数据直接用作多量子比特纠缠门的旋转角度。具体而言，门构建为 $G(x_i) = \exp(-i\alpha(x_i) \cdot \sigma_1 \otimes \sigma_2)$ ，其中 $x_i$ 是像素强度， $\sigma$ 是泡利算符（Pauli gates）， $\alpha$ 是映射函数。
灵活性： 与旋转编码（对于 $k \times k$ 卷积核必须精确使用 $k^2$ 个量子比特）不同，集成模型允许独立选择量子比特数（ $n$ ）和门数（ $L$ ）。唯一的约束是 $L \ge k^2$ ，以确保所有输入特征至少被编码一次。
映射函数： 作者测试了三种映射函数 $\alpha(x)$ ：简单映射（Simple: $x\pi$ ）、随机乘法（Random Multiplication: $2\beta x\pi$ ）以及随机线性映射（Random Linear: $(\beta x + \sigma)\pi$ ）。

核心贡献

资源效率： 所提出的带记忆化的量化技术显著减少了训练和推理所需的量子电路执行次数，而无需采用破坏性的二值量化。
架构解耦： 集成编码策略将卷积核大小与量子比特需求解耦，使得在量子比特数量有限的硬件上使用更大的卷积核成为可能。
表达能力控制： 该方法通过改变门数（ $L$ ）来调整电路的表达能力，提供了一种调节模型探索希尔伯特空间能力的机制。

实验结果
所提出的模型（QNN-Int）在两个数据集上与标准的旋转编码 QuanvNN（QNN-Rot）以及经典卷积神经网络（CNN）进行了对比评估：

MiraBest（二分类任务）： QNN-Int 模型（特别是使用 Simple 和 RndMul 映射函数的模型）在各种卷积核尺寸（ $k=2, 3, 4$ ）下，表现始终优于经典 CNN 和 QNN-Rot。QNN-Rot 模型随着卷积核尺寸的增加表现出性能下降。
LArTPC（多分类任务）： 对于较大的卷积核尺寸（ $k=3, 4, 5$ ），QNN-Int 模型再次超越了经典 CNN 和 QNN-Rot。值得注意的是，虽然 QNN-Rot 的性能随卷积核尺寸增加而提升，但仍低于经典基准线。QNN-Int-RndLin 映射函数的表现较差，凸显了集成模型对映射函数的敏感性。

量化影响：
关于量化层级（ $N$ ）的实验表明，将 $N$ 设置为 50 时，在保持与原始图像相比几乎可以忽略不计的均方误差（MSE）的同时，使 MiraBest 和 LArTPC 数据集的电路执行次数减少了 95% 以上。

意义与主张
本文声称，所提出的集成编码与灵活量化流水线使 QuanvNN 在 NISQ 设备上更具可行性。其主要意义在于，在需要更少量子资源（更少的量子比特和更少的电路执行次数）的情况下，实现了与经典 CNN 及传统 QuanvNN 相当或更优的性能。作者强调，集成模型提供了更大的架构灵活性，允许根据硬件约束独立调整参数（如量子比特数和滤波器大小）。他们得出结论，映射函数的选择对于最大化表达能力和分类准确性至关重要，并建议未来的工作可以探索在训练过程中优化这些映射参数。

类似论文