⚛️ quantum physics

Enhanced Variational Quantum Kolmogorov-Arnold Network

本文介绍了增强型变分量子柯尔莫哥洛夫-阿诺德网络（EVQKAN），这是一种变分量子拟设，它提高了现有量子方法的函数拟合精度，但目前由于过拟合和资源需求面临显著的分类局限性和高昂的电路成本，使其定位为一种模拟器规模的架构，而非近期的含噪声中规模量子（NISQ）解决方案。

原作者： Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

发布于 2026-07-30

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

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

量子游乐场：当数学遇见魔法

想象一下，你正试图教一台计算机识别模式，比如在照片中发现一只猫，或者预测天气。几十年来，我们一直使用“神经网络”，它们本质上是由连接着电线的微型处理器（神经元）组成的数字大脑。在这些数字大脑中，“学习”是通过微调神经元之间连接的强度来实现的。这就像是在调节一个巨大的调音台上的音量旋钮，直到音乐听起来完美无瑕。

但如果，不仅仅是转动旋钮，连接本身也能改变形状呢？想象一下，如果连接神经元的导线不仅仅是静态的电缆，而是可以拉伸、扭曲并变形为解决问题所需的任何曲线。这就是一种被称为柯尔莫哥洛夫-阿诺德网络 (Kolmogorov-Arnold Network, KAN) 的新型人工智能背后的理念。它是对旧设计的巧妙改进，使数学运算变得更加高效。

现在，想象一下将这种超高效的人工智能尝试运行在量子计算机上。量子计算机是计算领域的下一个重大突破；它们利用亚原子世界的奇特规则（比如粒子可以同时处于两个地方）来解决普通计算机需要耗费永恒时间才能解决的问题。科学家们正在问的一个大问题是：我们能否构建一个这种具有“形状变换”能力的人工智能的量子版本？如果我们能做到，它可能会比我们现有的任何技术都学得更快、更好。这篇论文讲述了一个团队如何尝试构建这种量子机器，观察它的表现如何，并弄清楚它在何时会跌跌撞撞。

形状变换的量子机器

本文的作者日向若浦（Hikaru Wakaura）及其同事构建了一种他们称之为增强型变分量子柯尔莫哥洛夫-阿诺德网络 (Enhanced Variational Quantum Kolmogorov-Arnold Network)，简称 EVQKAN 的新设计。可以将 EVQKAN 想象成一个非常特定的量子电路配方。在普通的量子计算机中，你拥有“量子比特”（量子版本的比特），它们可以是 0、1，或者同时既是 0 又是 1。为了让它们学习，你需要应用一系列门（操作）来旋转这些量子比特。

在 EVQKAN 的配方中，“学习”部分是由被称为样条函数 (splines) 的特殊数学曲线来处理的。量子门不再仅仅是固定的旋转，而是由这些灵活的曲线控制。该团队的重大创新是使用一种“平铺 (tiling)”方法来巧妙地排列这些曲线。想象一下，你正试图用瓷砖覆盖地板。他们并没有为每一个位置都制作一块巨大的定制瓷砖，而是想出了如何使用一些聪明、重复的模式（受控旋转）来高效地覆盖整个地板。这种设计允许他们使用的“旋钮”（可训练参数）比其他量子方法要少得多，这意义重大，因为更少的旋钮意味着计算机更容易找到正确的设置。

伟大的拟合竞赛：谁赢了？

为了测试 EVQKAN 是否真的有效，团队将其投入到与其他量子模型甚至经典人工智能模型的竞赛中。第一个挑战是拟合问题。想象一下，你在图表上有一堆散落的点，你需要画一条完美的平滑曲线将它们连接起来。

在这次模拟中，EVQKEN 成为了全场的明星。当被要求画出穿过这些点的线条时，它的表现显著优于其他量子模型（如标准的量子神经网络或较旧的 VQKAN）。事实上，在他们进行的十次尝试中，EVQKAN 每次都击败了旧的量子模型。它的表现如此稳定，以至于其结果几乎总是优于竞争对手。

然而，有一个陷阱。尽管 EVQKAN 是最好的量子模型，但它仍然无法击败经典 KAN（在普通计算机上运行的非量子版本）。经典模型仍然是最准确的。因此，虽然 EVQKAN 证明了这种新的量子设计比之前的量子尝试有了巨大的进步，但它还没有完全超越最好的非量子人工智能。

分类反转：剧本反转时

随后，团队尝试了另一个挑战：分类。这就像是将一堆混杂在一起的红蓝弹珠分装到两个不同的罐子里。他们创造了一个场景，其中的弹珠排列成一种复杂的模式，人工智能必须猜出每个弹珠属于哪个罐子。

在这里，故事发生了彻底的反转。当任务是分类弹珠时，EVQKAN 的表现反而不如其他量子模型。它虽然比随机猜测（正确率约为 62%）要好，但标准的量子神经网络 (QNN) 却彻底碾压了它，达到了约 75% 的正确率。这令人惊讶，因为 EVQKAN 拥有的“旋钮”更少，理应更加高效。

作者在这里非常谨慎。他们意识到在之前的一项工作中，他们不小心给了 EVQKAN 一张“小抄”，即直接将答案（标签）作为线索喂给机器，而其他模型却没有得到这个线索。他们修复了这个“信息泄漏”并重新进行了测试。即使在公平竞争的情况下，EVQKAN 仍然输掉了这场分类游戏。这告诉我们，让 EVQKEN 在画线（拟合）方面表现出色的“平铺”技巧，并不一定能帮助它进行分类。

为什么它还没准备好进入你的手机

那么，为什么这种量子超级人工智能还没有运行在你的笔记本电脑或手机上呢？答案在于电路成本。

为了让 EVQKAN 运作，团队必须构建一个非常复杂的电路。仅对于该网络的三个层级，在分解复杂操作后，就需要 4,110 个双量子比特门。从这个角度来看，目前的量子计算机（称为 NISQ 设备）噪声非常大，在信息被搅乱之前，只能处理其中极小的一部分。作者很坦诚：这个设计目前是一个“模拟器规模”的项目。它在没有噪声的计算机模拟中运行得非常完美，但对于今天的真实量子硬件来说，它太庞大、太复杂了。

过拟合问题：问题太多，答案太少

团队还调查了为什么量子模型不如经典模型准确。他们找到了一个主要罪魁祸首：过拟合 (overfitting)。

想象一下你正在为一场数学考试复习。如果你只有 10 道练习题，却试图背诵 96 条不同的规则，你可能会完美地记住那 10 道题的答案，但在实际考试中失败，因为你并没有掌握通用的概念。这就是这里发生的情况。该模型有 96 个“旋钮”可以转动，但仅针对 10 个数据点进行了训练。

作者通过增加练习题的数量（将训练数据从 10 个点增加到 100 个点）来测试这一点。当他们这样做时，模型在练习题上的表现与在实际测试中的表现之间的差距缩小了 58%。这证明了模型并不是“坏了”，它只是需要更多的数据来进行正确的学习。然而，即使有了更多数据，量子模型仍然没能完全赶上经典模型。

总结

论文得出结论，EVQKAN 是一种极具前景的新架构，它使量子人工智能在拟合曲线方面比之前的尝试要出色得多。对于这项特定工作，它比其他量子方法更可靠、更准确。然而，它在分类任务中表现挣扎，并且由于所需的门数量过多，目前还无法在真实的量子硬件上运行。

作者明确表示，这仍是一个进行中的工作。他们建议未来的工作需要专注于简化电路（或许可以使用被称为“块编码 (block encoding)”的新数学技巧）以及测试模型如何扩展。目前，EVQKAN 是一个精彩的模拟，展示了我们前进的路径，但通往能够击败经典计算机的现实世界量子人工智能的旅程仍在前方。

技术摘要：增强型变分量子 Kolmogorov-Arnold 网络 (EVQKAN)

问题陈述
Kolmogorov-Arnold 网络 (KAN) 是一种神经网络架构，其可训练函数存在于突触（边）而非神经元上，这提供了在解释性和效率方面的潜在优势。虽然经典的 KAN 已展现出前景，但其量子实现面临着显著障碍。现有的量子 KAN 方法面临精度与资源成本之间的权衡：

变分量子 KAN (VQKAN)： 缺乏处理实际任务所需的足够精度。
量子 KAN（使用块编码/量子信号处理）： 需要大量的控制门和辅助比特，这使得它不适用于当前的含噪声中型量子 (NISQ) 设备，且难以随着网络规模的扩大进行优化。

作者旨在通过提出一种平衡参数效率与电路复杂度的量子 KAN 变体，来弥补这一差距，专门针对函数拟合和分类任务。

方法论：增强型变分量子 KAN (EVQKAN)
作者引入了 EVQKAN，这是一种旨在模拟 $2^{N_q}$ 维 KAN 层矩阵的变分拟设 (ansatz)。其核心方法论包括：

架构： 该网络利用“平铺求和算子构造”来模拟 KAN 层。EVQKAN 并非为层矩阵中的每个元素训练参数，而是通过在电路中平铺受控旋转来实现。
参数效率： 一个具有 $N_q$ 个量子比特（维度为 $2^{N_q}$ ）的层仅需要 $2^{N_q-1}$ 个可训练样条函数。每个样条由 $N_g$ 个控制点定义。对于一个 3 量子比特系统（ $N_q=3$ ）、8 个控制点（ $N_g=8$ ）和 3 层的模型，该模型仅使用 96 个可训练参数，而基于矩阵元素的方法则需要数百甚至数千个参数。
输入编码： 输入向量被编码到初始态中。拟设的旋转角度是通过对前一层输出的读出值进行可训练样条函数求值而生成的。
电路构造： 拟设通过多控制旋转门进行构造。作者指出，这种构造依赖于通过块编码技术实现的求和算子。
优化： 参数使用 COBYLA 算法进行优化（除非另有说明），以最小化由哈密顿量期望值与目标函数值之间的绝对距离定义的损失函数。
模拟环境： 所有报告的结果均基于无噪声的状态矢量模拟和无限次采样 (infinite shots)。作者明确指出，由于门计数较高，目前的构造并不适用于 NISQ 设备。

关键结果

函数拟合任务：
- 性能： EVQKAN 在拟合基本函数（ $f(x) = \exp(\sin(x_0^2 + x_1^2) + \sin(x_2^2 + x_3^2))$ ）方面显著优于量子神经网络 (QNN)、VQKAN 和自适应 VQKAN。
- 统计数据： 在十次独立尝试中，EVQKAN 实现了 $15.088 \pm 1.739$ 的平均测试误差，而 QNN 为 $25.965$，VQKAN 约为 $22.6 $。这种差异具有统计学显著性（$ p < 0.002$），且具有较大的效应量（Cliff's $\delta \le -0.86$ ）。在所有实例中，EVKAV 都优于 VQKAN。
- 可靠性： 与 QNN（标准差 $\approx 7.0$ ）相比，EVQKAN 展示了明显较低的方差（标准差 $\approx 1.7$ ），表明其具有更高的可重复性。
- 经典基准： 经典 KAN 仍然是最准确的方法（$13.497$），这证实了量子模型并未在这一任务上超越其经典对应物，但量子方法之间的区分度是清晰的。
分类任务：
- 协议修正： 作者撤回了该工作早期版本中的结果，原因是存在一个“泄漏”错误，即目标标签被无意中编码为 EVQKAN 电路中的特征，而对比模型则没有。
- 修订后的结果： 在一个无泄漏的协议下（所有方法共享相同的编码和特征），性能排序发生了反转。EVQKAN 的分类准确率高于随机水平（准确率 $0.620 $，$ p=0.0005$），但显著低于参数量仅为其五分之一的 QNN（QNN 准确率 $0.754 $，$ \Delta \text{准确率} = -0.134 $，$ p=0.0014$）。
- 结论： 在函数拟合中观察到的平铺拟设优势并未转移到分类任务中。
局限性与误差来源：
- 过拟合： 拟合任务中的主要误差源被确定为由欠定训练集（96 个参数对应 10 个样本）驱动的过拟合。将训练集大小从 10 增加到 100 个样本后，训练-测试差距缩小了 58%，尽管测试准确率仅略微提升（9%）。
- 电路成本： 构造过程计算成本高昂。一个 3 层、 $N_q=3$ 的 EVQKAN 会产生 1017 个操作，分解后为 4110 个双量子比特门。这使得该方法处于“模拟器规模”和“容错时代”范畴，远超目前的 NISQ 能力。

意义与主张
该论文声称有三个主要贡献：

架构： 一种参数高效的变分量子 KAN (EVQKAN)，它将可训练函数的数量减少到层维度的平方根，使其在函数拟合方面在量子模型中具有竞争力。
方法论严谨性： 引入了一种“无泄漏”协议和标准指标（准确率、AUC），从而实现了对不同量子 KAN 变体进行诚实、公平比较，纠正了以往的方法论缺陷。
定量分析： 清晰地识别了当前的瓶颈：由小训练集导致的过拟合以及多控制门带来的极高门成本。

谦逊的结论
作者明确表示 EVQKAN 目前还不是 NISQ 设备的解决方案。他们指出，该方法的优越性目前仅限于特定任务（函数拟合），并且在硬件部署可行之前，必须通过块编码和量子化来降低电路成本。此外，他们承认，在目前的任务上，经典方法（经典 KAN、逻辑回归、MLP）的表现均优于所有测试的量子方法，该论文的意义在于建立量子模型之间的层级关系，而非展示相对于经典计算的量子优势。