⚛️ 量子物理

QNN-VRCS: A Quantum Neural Network for Vehicle Road Cooperation Systems

本文提出了 QNN-VRCS，这是一种集成了特定量子算法和图像编码技术的量子神经网络，旨在优化车路协同系统，从而在面向智能 6G 交通解决方案的交通数据处理中实现高分类准确率和鲁棒性。

原作者： Nouhaila Innan, Bikash K. Behera, Saif Al-Kuwari, Ahmed Farouk

发布于 2026-10-26✓ Author reviewed ⓘ

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Nouhaila Innan, Bikash K. Behera, Saif Al-Kuwari, Ahmed Farouk

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

想象这样一个城市：交通信号灯不再仅仅根据定时器切换，而是能够真正“看见”车辆，理解人群的流动，并做出瞬时的决策，以保持一切顺畅运行。这种智能、协作式道路系统的愿景是现代交通工程的目标，然而它面临着一个巨大的障碍：海量的数据。每一秒钟，传感器和摄像头都会产生关于车辆位置、速度和灯光状态的信息洪流。驱动我们当前交通系统的传统计算机往往难以如此快速且准确地处理这种信息激增，从而防止拥堵或事故。它们依赖于既定的规则和模式，但现实世界的交通是混乱、不可预测且不断变化的。为了解决这个问题，研究人员正转向一种新型的计算能力，这种能力基于量子力学中奇特而强大的法则，该领域有望处理远超当今机器能力的复杂问题。

在最近的一项研究中，一组科学家致力于测试这些量子计算机是否能改善我们的交通管理方式。他们专注于一个特定的关键任务：教计算机识别交通信号灯。目标是实现高准确度地分辨红、黄、绿信号，这是任何希望实现汽车自动驾驶或管理城市流量的系统都可能需要的基本要求。研究人员构建了一种新型的人工智能，称为量子神经网络。与智能手机或笔记本电脑中常见的、以线性、逐步方式处理信息的神经网络不同，这种新模型利用了量子比特（qubits）的独特属性。这些量子比特可以同时存在于多种状态中，使得系统能够同时探索许多种可能性。团队将这种量子力量与先进的图像转量子数据方法相结合，创造了一个旨在比现有技术更可靠地学习和分类信号的系统。

为了验证其构想是否奏效，研究人员让他们的量子神经网络针对两组不同的交通灯图像进行了测试。第一组来自城市的计算机模拟，提供了一个洁净且受控的环境。第二组是拍摄自真实街道的照片集，其中包含了光影变化、阴影以及多变天气等现实世界的复杂情况。他们将量子模型与标准的经典计算机模型以及其他实验性量子方法进行了对比。结果令人瞩目。在模拟城市数据上，该量子模型正确识别交通灯颜色的准确率达到了97.42%。在难度更高的真实照片上，它依然实现了84.08%的准确率。在这两种情况下，量子方法在分类准确度上都优于传统的计算机模型，后者在图像较小或条件复杂时难以达到同样的精确度。

这项研究不仅观察了模型在理想世界中的表现，还测试了当情况出现偏差时系统的表现。现实中的量子计算机目前对环境非常敏感，经常会因为温度或电磁干扰引起的微小波动（即噪声）而产生错误。研究人员使用了模拟的量子噪声模型来模拟六种不同类型的此类误差，以观察模型是否会崩溃。他们发现，虽然某些类型的噪声（例如导致能量从系统中泄漏的噪声）确实会损害性能，但该模型对其他类型的噪声具有惊人的韧性。即使数据受到某些干扰，它仍能保持高准确度，这表明该系统在这些模拟条件下具有一定的稳健性。

这项研究为未来车辆路侧协作系统（Vehicle Road Cooperation Systems）提供了重要的技术探索。通过证明量子神经网络可以以卓越的准确度对交通信号进行分类，该研究为需要做出瞬间、救命决策的6G网络和自动驾驶汽车指明了一条路径。这项工作表明，尽管该技术仍处于早期阶段，且在模拟噪声下的表现并不等同于在物理量子硬件或实际部署中的表现，但量子计算在支持未来智能化交通管理方面的潜力正在成为一个触手可及的现实。研究结果表明，随着进一步的发展，这些量子增强系统可以成为新时代交通管理的骨干，为将城市生活的混乱流动转化为平滑、协调的旅程提供可能。

技术摘要：QNN-VRCS：用于车路协同系统的量子神经网络

问题概述
由于交通拥堵、多样化的出行方式以及不断变化的通勤偏好，城市交通系统面临着日益增长的复杂性。传统的计算方法难以处理由实时传感器网络产生的海量数据集，且往往缺乏实现精确交通预测和系统优化所需的精度。虽然车路协同系统（VRCS）和自动驾驶汽车依赖先进的视觉处理技术进行导航和障碍物检测，但目前的启发式方法和经典机器学习模型在处理不可预测的交通动态以及确保在多样化场景下的可靠性方面面临局限。本研究旨在通过集成量子计算技术来增强 VRCS，从而解决需要更先进分析框架的需求，特别侧重于通过对交通信号灯状态（红、黄、绿）的分类来优化交通管理决策。

方法论
本研究提出了一种旨在分类交通信号灯图像的量子神经网络（QNN），并将其性能与经典卷积神经网络（CNN）及其他量子机器学习（QML）方法进行了对比。

数据编码： 研究采用了两种主要的量子图像表示方法：
- 量子图像的灵活表示（FRQI）： 将像素值编码为量子态中的旋转角。对于大小为 $2^n \times 2^n$ 的图像，该方法需要 $n+1$ 个量子比特（例如，对于 $2 \times 2$ 输入，需要 3 个量子比特）。
- 新型增强量子表示（NEQR）： 使用一系列量子比特和 CNOT 门直接表示像素强度值，需要更多的量子比特（例如， $2 \times 2$ 输入需要 10 个量子比特， $4 \times 4$ 输入需要 12 个量子比特），但能更显式地保留强度信息。
- 角度编码（AE）： 特别用于所提出的 QNN，其中像素值根据公式 $\theta = (\pi/255) \times \text{pixel value}$ 被转换为范围在 0 到 $\pi$ 之间的角度 ( $\theta$ )。
评估算法：
1. $UU^\dagger$ 算法： 一种分类方法，其中每类（红、绿、黄）的质心数据被编码进一个酉算子 $U$ ，测试数据被编码进 $U^\dagger$ 。分类通过测量测试态与质心态之间的内积（状态 $|00\rangle$ 的概率）来确定。
2. 变分 $UU^\dagger$ 算法： 与上述方法类似，但在测量阶段前后引入了 Hadamard 门，并利用重复的 $U$ 和 $U^\dagger$ 门层来增加电路深度。
3. 量子神经网络（QNN）： 一种变分量子电路（VQC）方法。该模型将量子比特初始化为 $|0\rangle^{\otimes n}$ ，使用旋转 X 算子对像素值进行编码，使用旋转 Y 算子和 CNOT 门应用纠缠层，最后进行测量。参数通过经典优化器（Adam）进行迭代更新，以最小化预测标签与实际标签之间的损失函数（均方误差）。
实验设置：
- 数据集： 使用了两个数据集：Carla 数据集（来自模拟环境的 1,909 幅交通信号灯图像）和 Cropped Lisa 数据集（36,534 幅真实世界图像）。
- 预处理： 图像被调整为 $2 \times 2$ 和 $4 \times 4$ 像素。使用预训练的 TensorFlow 模型进行目标检测以隔离交通信号灯。
- 噪声模拟： 在六种量子噪声模型下评估了 QNN 的鲁棒性：比特翻转（bitflip）、相位翻转（phaseflip）、比特相位翻转（bitphaseflip）、去极化（depolarizing）、振幅阻尼（amplitude damping）和相位阻尼（phase damping）。这些评估是在模拟量子噪声条件下进行的。

核心贡献

开发用于 VRCS 的 QNN： 本文设计并实现了一个专门为车路协同系统定制的 QNN，重点关注交通信号灯分类。
对比分析： 研究在两个不同数据集和不同图像分辨率下，对经典 CNN、 $UU^\dagger$ 、变分 $UU^\dagger$ 以及所提出的 QNN 进行了全面的比较，展示了相对于所评估的具体经典和量子模型在分类准确率方面的提升。
鲁棒性评估： 研究评估了 QNN 模型在六种不同模拟量子噪声条件下的韧性，为在噪声量子环境中的稳定性提供了见解，但需注意这并不代表模型已具备在物理量子硬件或实际部署中的就绪性。
量子编码优化： 本工作探索了不同编码策略（FRQI、NEQR 和角度编码）在结合变分量子算法执行图像分类任务时的有效性。

结果

Carla 数据集： 采用角度编码和 $2 \times 2$ 像素输入的 QNN 实现了 97.42% 的高分类准确率，优于经典 CNN（ $4 \times 4$ 输入下为 90%）和其他量子方法（例如，使用 FRQI 的 $UU^\dagger$ 达到了 66.25%）。QNN 显示出随着层数增加准确率提升的明显趋势，并在 20 层时达到平台期。
Cropped Lisa 数据集： 采用角度编码和 $2 \times 2$ 输入的 QNN 实现了 84.08% 的高分类准确率，超过了经典 CNN（ $2 \times 2$ 输入下为 77.09%）和其他量子方法。变分 $UU^\dagger$ 模型在该数据集上的表现普遍较低（约为 43%）。
噪声韧性：
- 该模型在相位阻尼噪声下表现出高度稳定性，即使在较高的噪声强度下也能保持高准确率。
- 振幅阻尼噪声导致性能大幅下降，当噪声参数超过 0.7 时，准确率降至零。
- 去极化噪声导致准确率稳步下降。
- 模型在 Cropped Lisa 数据集上的整体准确率高于 Carla 数据集，这表明真实世界的数据集可能包含更易于区分的特征。

意义与主张
本文展示了所提出的 QNN 模型在交通信号灯图像分类任务中的潜力，这可能为未来的车路协同系统提供支持。通过在减少图像维度和极少训练数据的情况下实现高分类准确率（97.42% 和 84.08%），本研究突显了 QNN 在提升交通图像分类性能方面的潜力。研究强调了量子技术在推进智能交通解决方案（特别是在 6G 赋能的系统背景下）中的潜在作用。

作者指出，尽管 QNN 在模拟噪声环境下展示了鲁棒性，但将量子系统集成到现有经典基础设施中仍面临挑战，包括实时决策的延迟问题以及数据隐私问题。研究结论认为，QNN 模型为 VRCS 提供了研究交通管理的一种新思路，尽管未来的工作必须解决量子电路的可扩展性及其在实际部署中的硬件效率问题。

类似论文