⚛️ quantum physics

Regression and Classification with Single-Qubit Quantum Neural Networks

本文介绍了一种资源高效的单比特量子神经网络（SQQNN），该网络利用一种新颖的数据上传技术和一种受多项式回归启发的训练方法，在近期的量子设备上实现了回归和分类任务中快速、无误差的性能。

原作者： Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

发布于 2026-08-12

📖 1 分钟阅读🧠 深度阅读

原作者： Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

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，你正在试图教一台计算机识别模式，比如在照片中发现一只猫，或者预测明天的天气。几十年来，我们一直使用“经典”计算机，它们的思维方式是基于比特（bits）——即要么是 0，要么是 1 的微小开关。但现在出现了一个新玩家，叫做量子计算。量子计算使用的不是简单的开关，而是“量子比特”（qubits）。不要把量子比特看作是一个电灯开关，而要把它想象成一枚旋转的硬币。当它旋转时，它不仅仅是正面或反面，而是处于两者的叠加态，呈现出一种模糊的状态。这使得量子计算机能够同时探索许多可能性，就像同时尝试巨大钥匙扣上的每一把钥匙，而不是一把接一把地尝试。

科学家们正在提出的一个大问题是：我们能否利用这些摇摆不定的、旋转的硬币来构建更好的“神经网络”？神经网络是人工智能背后的“大脑型”软件，通过数据进行学习。通常，这些网络规模庞大且极其耗能。但如果我们能仅用一枚微小的量子硬币，就构建出一个超高效的 AI，那会怎样呢？这就是“量子机器学习”的研究领域，在这个领域，量子物理的奇特规则与 AI 的模式匹配魔力相遇了。其目标是创建如此微小且高效的模型，使它们能够在我们目前拥有的脆弱、处于早期阶段的量子计算机上运行，而不是等待未来的大规模、完美的机器。

于是，**单量子比特神经网络（SQQNN）**诞生了，这是由研究员 Leandro C. Souza 及其团队提出的一种巧妙的新思路。他们提出了一个简单的问题：我们需要一台庞大、复杂的量子机器来进行学习吗，还是仅靠一个微小的量子比特就能完成任务？他们的回答是肯定的：“是的，我们可以。”他们构建了一个模型，其作用就像一个单一的、超级智能的量子神经元。该系统并没有使用庞大的量子比特军团，而是利用仅仅一个旋转的量子比特来处理信息。

这个“魔术表演”是如何运作的呢？在普通计算机中，“神经元”接收数字，进行数学运算，然后输出答案。而在 SQQNN 中，“神经元”就是一个单一的量子比特。研究人员通过特定的方向（他们称之为旋转门）将数据输入到这个量子比特中。这就像是在告诉旋转的硬币：“如果输入值热，就多转一点；如果输入值冷，就少转一点。”在量子比特根据数据进行了旋转和扭转之后，研究人员对其进行测量。由于量子规则的存在，结果不是简单的“是”或“否”，而是一个概率——一个向某个方向倾斜的猜测。通过调整这些“旋转角度”（即权重），网络会随着时间的推移学会做出更好的猜测。

该团队发现，这种微小的、单量子比特的设置表现出了惊人的强大能力。他们在两种主要的任务上对其进行了测试：回归（预测一个数值，例如发电厂将产生多少电力）和分类（将事物分门别类，例如判断肿瘤是良性还是恶性）。

对于预测数值的任务，他们使用了被称为“梯度下降”的标准方法。想象一下，你正蒙着眼睛在雾气缭皑的山峦间徒步。你感受着脚下的地面；如果地面向下倾斜，你就向那个方向迈一步；如果向上倾斜，你就退后一步。SQQNN 在数学上也是这样做的，它感知误差的“坡度”，并调整其角度，从而滑向误差最小的地方。他们在逻辑谜题（如经典的 AND、OR、XOR 门）以及像发电厂输出这样的现实世界数据上测试了它。结果令人印象深刻：这个单量子比特网络以极少的步骤和极小的误差完成了这些任务，其表现往往优于使用两个量子比特的旧式、更复杂的量子模型。

对于分类任务，他们发明了一种全新的训练技巧。与其在迷雾中一步步徒步，不如使用一种“基于多项式的最小二乘法”。这就像是拥有一张地图，一眼就能看到山谷的确切底部，而不是在迷雾中摸索。通过将问题转化为一种特定类型的数学难题，他们可以一步计算出完美答案。这使得训练速度极快——通常在普通笔记本电脑上只需几秒钟。他们在著名的数据库上进行了测试，如威斯康星州乳腺癌数据（对癌细胞进行分类），甚至还包括 MNIST 数据集的一部分（识别手写数字）。在许多情况下，单量子比特网络达到了近乎完美的准确率，能够以超过 97% 的成功率区分像“2 和 3”或“8 和 9”这样难以辨别的数字对。

研究人员谨慎地指出，这些结果来自于模拟。他们在一部模拟量子计算机的经典计算机上运行了他们的量子模型。他们还没有在真实的量子机器上运行过，但他们持乐观态度。为什么呢？因为单量子比特操作是目前量子硬件上最可靠的操作之一。它们不像复杂的多量子比特系统那样容易出错或受到噪声干扰。这表明，当他们最终在真实硬件上运行此模型时，效果应该会很好。

简而言之，这篇论文表明，我们不需要等待大规模、无误差的量子超级计算机出现就可以开始从事有用的 AI 工作。通过使用一种“少即是多”的方法，利用一枚经过精心调校的单量子比特硬币，我们可以构建出快速、准确且适用于当今量子设备的模型。这提醒我们，有时最强大的工具并不一定是最大的那个，而是那个知道如何精准旋转的工具。

技术摘要：单比特量子神经网络的回归与分类

问题陈述
本文针对适用于近即时量子设备（NISQ）的高效且可扩展的量子神经网络（QNN）的需求展开研究。虽然经典机器学习已在模式识别和决策制定方面实现了变革，但量子计算通过并行性和纠缠提供了潜在优势。然而，许多现有的 QNN 架构需要复杂的多比特电路，这些电路极易受到噪声和退相干的影响。作者提出了一种单比特量子神经网络（SQQNN），旨在利用极少的量子资源执行回归和二元分类任务，具体是通过利用单比特神经元和参数化幺正算符。

方法论
所提出的 SQQNN 架构构建于一种广义的单比特量子神经元模型之上。

神经元模型： 基本单元是受控于一系列旋转门 $R_z(\alpha)R_y(\beta)R_z(\gamma)$ 的单比特。旋转角度是输入数据的函数。输出是经过基底变换幺正算符 $U_O$ 测量后的观测值 $O$ 的期望值。作者定义了一个依赖于输入状态参数和可训练权重的通用输出方程（公式 1）。
架构： 该网络由 $K$ 个顺序连接的单比特神经元组成。这些神经元的累积效应在数学上等效于单个有效量子神经元。
数据编码： 与以往将高维输入分解为多个 3D 向量（从而增加电路深度）的方法不同，该方法采用了“数据重上传”（data re-uploading）策略。输入数据通过经典预处理来计算旋转门的角度。具体而言，旋转参数被建模为输入特征的加法多项式函数（公式 4），这使得网络能够直接处理任意维度的输入。
简化模型： 文中引入了一个简化的 SQQNN 版本，其中输入状态和观测值是固定的（在计算基下测量），从而将可训练参数减少为每个神经元一个角度 $\beta$ ，这些角度之和构成一个全局旋转角。
训练策略：
- 回归： 模型使用梯度下降法来最小化均方误差（MSE）。作者提供了输出对网络角度的偏导数的解析表达式，从而促进了高效优化。
- 分类： 对于二元分类，作者引入了一种创新的基于多项式的线性最小二乘（LLS）方法。通过对标签进行 $\text{arctanh}$ 函数变换将分类问题转化为回归任务，权重可以通过摩尔-彭罗斯伪逆（公式 6）在单步内确定。该方法旨在寻找变换后的二次最小二乘目标的全局极小值，从而避免了迭代梯度法常见的局部极小值问题。

核心贡献

资源高效的架构： 提出了单比特 QNN，通过处理多维输入而无需进行分解，泛化了以往的工作（参考文献 [31]），从而降低了电路深度和硬件需求。
新型训练算法： 开发了一种受多项式回归启发的、用于分类任务的闭式矩阵训练方法。该方法允许在单步内进行快速、确定性的参数估计，与迭代梯度法相比显著加速了训练过程。
通用性： 证明了 SQQNN 执行回归（逻辑门、连续函数、真实数据集）和二元分类（合成及真实数据集）任务的能力，并表现出高精度。

结果
作者通过在各种数据集上使用量子电路的经典模拟评估了 SQQNN：

回归任务：
- 逻辑门： 对于 AND、OR、XOR、NAND、NOR 和 XNOR 门，SQQNN 实现了较低的训练误差（MSE 范围在 $6 \cdot 10^{-4}$ 至 $2 \cdot 10^{-3}$ 之间），且仅需较少的梯度下降轮数（38–79 轮）。
- Sinc 函数： 模型成功逼近了振荡的 sinc 函数，即使在加入白噪声的情况下也能保持性能，收敛至约 $10^{-3}$ 的 MSE。
- 真实数据集： 在组合循环发电厂（CCPP）数据集上，模型的测试 MSE 为 $0.0035 \pm 0.0002$ ，比之前的量子研究结果高出一个数量级。在社区与犯罪（Communities and Crime）数据集上，其测试 MSE 为 $0.1195 \pm 0.0252$ ，显著低于文献中引用的经典基准。
分类任务：
- 两月亮（Two Moons）： 在该非线性可分合成数据集上，当模型阶数 $K_{code} \ge 4$ 时，模型达到了 100% 的准确率。
- 威斯康星州乳腺癌（WBCD）： 模型达到了 $0.956 \pm 0.028$ 的准确率，略微优于文献中报道的一种量子袋装集成方法。
- MNIST： 使用降低阶数的 SQQNN ( $K_{code}=1$ ) 结合离散余弦变换（DCT）预处理，模型在二元数字分类任务中实现了近乎完美的准确率（例如，数字 0 对 1 的准确率为 $0.999 \pm 0.001$ ）。据报告，在标准笔记本电脑上的训练时间约为每次迭代 8 秒。

意义与主张
本文声称，SQQNN 为近即时量子设备提供了一种通用、可扩展且实用的替代方案。由于依赖于单比特门（这类操作在当前硬件上是最可靠的操作之一，且退相干极小），该模型非常适合在 NISQ 设备上部署。作者强调，基于多项式的 LLS 训练方法通过单步寻找变换后的二次最小二乘目标的全局极小值，从而提供了显著的训练加速。

结果表明，SQQNN 能够学习线性及非线性关系，并在许多测试场景中表现强劲。尽管目前的结果基于经典模拟，但作者指出，电路的浅层深度和单比特特性使其在实际量子硬件上具有优势，不过在实际设备上的实验验证仍是未来的必要步骤。这项工作强调了轻量化量子模型在弥合当前量子硬件能力与实际机器学习应用之间差距方面的潜力。

技术摘要：单比特量子神经网络的回归与分类

类似论文