⚛️ 量子物理

Re-uploading quantum data: a universal function approximator for quantum inputs

本文提出并分析了一种空间高效的量子数据重上传架构，该架构通过使辅助比特通过离散级联的全正映射与多个输入态副本进行顺序相互作用，从而实现了对任意量子输入的通用函数逼近。

原作者： Hyunho Cha, Daniel K. Park, Jungwoo Lee

发布于 2026-10-14

📖 1 分钟阅读🧠 深度阅读

原作者： Hyunho Cha, Daniel K. Park, Jungwoo Lee

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

在量子机器学习这一新兴领域中，研究人员正试图教计算机利用量子物理学的奇特规则来识别模式并做出决策。传统的计算机将信息处理为非零即一的比特，而量子计算机则使用量子比特（qubits），这些量子比特可以同时存在于多种状态的叠加之中。这使得它们能够以经典机器无法实现的方式处理复杂数据。该领域的一个主要障碍是如何将数据输入到这些机器中。对于标准数据，如数字或图像，科学家们已经开发出一种称为“数据重上传”（data re-uploading）的方法。这种技术涉及将一段信息多次、逐层地输入到一个微小的量子电路中。每当数据进入时，它都会与电路发生相互作用，从而对输入构建起更复杂的理解。这种方法在处理经典数据方面已被证明非常强大，即使是极小的电路也能学习极其复杂的函数。然而，当数据本身就是量子态时，一个显著的差距便显现了出来。不同于可以在纸上写下的数字，量子态无法在不破坏其脆弱信息的情况下被直接测量或读取。这意味着，成功的重上传策略无法简单地复制到量子输入上，从而在如何针对量子数据训练机器方面留下了一个盲点。

一支研究团队现在通过提出一种新的架构，填补了这一空白，该架构允许量子计算机直接重上传量子数据。他们的工作表明，只要给予足够多的新鲜状态副本，单个微小的量子寄存器就能学会逼近任何未知量子态的连续函数。其核心思想是一个过程：一个单一的“信号”量子比特充当学生，与一系列相同的“输入”量子态副本进行顺序交互。在过程的每一步中，信号量子比特都会遇到一个新鲜的输入副本。它们通过一种特定的量子操作进行相互作用，使彼此纠缠，从而有效地将信息从输入端转移到信号端。紧接着这种相互作用，输入的副本会被丢弃或重置，然后引入一个新的、完全相同的副本用于下一轮循环。然而，信号量子比特会被保留下来，并被允许将累积的信息向前传递到下一层。通过多次重复这个循环，信号量子比特会构建起关于输入态属性的复杂记录，随后可以将其作为最终答案读出。

研究人员在数学上证明了这种方法具有普适性，这意味着理论上只要层数和副本数量足够，它可以学习任何输入量子态的函数，无论其多么复杂。一个关键发现是，即使输入态由许多个量子比特组成，这种普适性依然成立，而处理单元仍仅需一个量子比特。这是一个显著的效率提升，因为这意味着随着任务复杂度的增加，硬件需求不会呈爆炸式增长。该架构通过模拟经典数据重上传的效果来运作，只不过它输入的不是数字，而是物理量子态本身。研究人员展示了，通过在信号与新鲜输入副本之间进行多次微弱的相互作用，该系统可以逼近那些在已知且已经典化的数据下所能实现的强大变换。

为了测试这一理论框架在实践中是否可行，团队运行了一系列计算机模拟。他们在各种任务上训练了模型，包括拟合复杂的多项式曲线以及根据属性对量子态进行分类。在一次实验中，他们要求模型根据“纯度”（衡量状态中包含的信息量与噪声损失量的比例）来区分量子态。他们发现，仅使用一层相互作用时，模型的表现并不比随机猜测好；然而，随着他们增加层数，让信号量子比特与更多的输入副本进行交互，准确率大幅提升，在四层时达到了98%以上。当模型被要求根据“纠缠度”（衡量量子系统各部分之间连接深度的指标）对状态进行分类时，也取得了类似的成功。模拟证实，该模型能够识别出这些简单的模型所忽略的、属于量子数据的微妙非线性特征。

这项研究还强调了构建此类系统时的一个基本权衡。所提出的方法使用了名为“量子比特复用”（qubit reuse）的技术，即反复使用同一个微小的寄存器与新的输入副本进行交互。这使得所需的物理量子比特数量保持在极低水平，使其适用于硬件能力有限的当前及近未来量子设备。然而，研究人员指出，这并不是处理数据的唯一方式。另一种替代方案是使用一个巨大的电路，同时持有所有的输入副本并对它们进行整体处理。虽然这种并行处理方法在理论上可能更强大，但它所需的量子比特数量会随着层数的增加而增长，迅速超出可用技术的处理能力。重上传方法提供了一条空间高效的路径，证明了只要给予足够的时间和新鲜的数据，一个微小的、可复用的量子存储器可以像一个庞大的静态存储器一样具有强大的表达能力。

研究人员谨慎地指出，虽然他们的数学证明保证了系统能够学习任何函数，但并不保证它能轻松或快速地完成每种可能的任务。模拟显示，该模型是可训练的，并且能够找到解决方案，但通往这些解决方案的路径取决于具体问题以及所使用的层数。他们还提到，目前的研究重点是单量子比特信号寄存器，未来的研究需要探索使用更大的信号系统是否能使学习过程变得更加高效。最终，这项工作为量子机器如何直接从量子数据中学习提供了新的蓝图，为开发能够直接在自然界存在的量子信息上运行、而非依赖于可能无法获取的经典描述的算法打开了大门。

技术摘要：将量子数据重新上传作为通用函数逼近器

问题陈述
量子机器学习（QML）旨在利用量子计算进行学习任务。虽然“数据重新上传”（data re-uploading）技术——即通过重复将经典输入数据编码进量子线路以增强表达能力——已被证明是经典输入的通用函数逼近器，但其向量子输入的扩展仍未得到充分探索。根本障碍在于，量子数据以密度矩阵 $\rho$ 的形式提供，无法直接作为经典数值用于参数化门旋转。因此，依赖于将经典值代入门参数的标准重新上传策略并不适用。现有的估计量子态非线性泛函的方法（例如通过受控-SWAP 测试）通常是针对特定泛函的，而非提供一种针对任意量子态连续函数的通用可训练架构。

方法论
作者提出了一种量子数据重新上传架构，旨在直接作用于量子输入，而无需获取其经典描述。该方法的核心组件包括：

架构： 该模型利用一个单比特信号寄存器（量子比特 $A$ ），它与来自任意 $n$ 比特输入态 $\rho$ （寄存器 $B$ ）的新鲜副本进行顺序交互。
机制： 在每一层 $l$ 中，信号量子比特通过相互作用幺正变换 $U^{(l)}$ 与 $\rho$ 的一个新鲜副本发生纠缠。这种相互作用将 $\rho$ 的信息“上传”到联合系统中。随后，输入寄存器 $B$ 被丢弃或重置为 $\rho$ 的一个新鲜副本，而信号量子比特 $A$ 被保留并传递到下一层。这一过程创建了一个离散的完全正且保迹（CPTP）映射级联，类似于开放量子系统动力学中的碰撞模型（collision models）。
参数化： 电路在数据编码相互作用（依赖于输入态结构的纠缠幺正变换）与作用于信号量子比特的可训练单比特幺正变换 $V^{(l)}(\theta)$ 之间交替进行。
读取： 在 $L$ 层之后，对最终的观测量进行测量，产生一个标量输出。该架构依赖于能够将输入寄存器重置为 $\rho$ （新鲜副本访问）的能力，而非固定的 $|0\rangle$ 态。

核心贡献
论文通过以下贡献确立了该架构在理论和实验上的可行性：

通用逼近定理： 主要理论结果（定理 2）证明了所提议的架构是任何量子态 $\rho$ 的有界连续函数的通用逼近器。具体而言，对于任何目标函数 $F: \mathcal{D}(\mathcal{H}_d) \to \mathbb{R}$ 和任何误差容限 $\epsilon$ ，都存在有限数量的层数和参数，使得模型在一致范数下逼近 $F$ 至 $\epsilon$ 以内。
空间效率： 一个重要的贡献是证明了在极小量子资源下的通用性。无论输入态的维度如何（即 $\rho$ 的量子比特数 $n$ ），该模型仅需一个额外的量子比特（信号寄存器）即可实现通用性。这是通过量子比特复用实现的，即在各层之间重置并复用输入寄存器，使总量子比特数恒定为 $n+1$ ，且与电路深度 $L$ 无关。
与经典重新上传的联系： 作者表明，量子数据重新上传架构可以模拟标准的经典数据重新上传电路。通过使用弱相互作用序列来逼近依赖于数据的旋转（这些旋转是广义布洛赫矢量分量 $\lambda_\alpha = \text{tr}(\rho W_\alpha)$ 的函数），该量子模型继承了经典重新上传模型的通用逼近能力。
与 DQC1 的关系： 论文指出，对于单层情况（ $L=1$ ），该模型类似于 Hadamard 测试，并联系到了带有单个洁净量子比特的确定性量子计算（DQC1）模型，特别是在迹估计的背景下。

实验结果
作者进行了数值实验，以研究该模型在超越存在性证明之外的训练性和性能：

多项式拟合： 模型成功拟合了单量子比特纯态关于参数 $\lambda = 2t^2 - 1$ 的各种一元多项式。结果表明，增加层数（ $L$ ）可以改善对高阶多项式的逼近。
纯度分类： 模型经过训练，根据单量子比特态的纯度（ $\text{tr}(\rho^2)$ ）是否超过阈值进行分类。结果显示，准确率随深度（ $L$ ）显著提高，当 $L=4$ 时达到 0.98。作者观察到， $L=2$ 不足以实现纯度函数，这凸显了特定非线性任务对深度的需求。
纠缠熵分类： 模型基于二维纯态的二阶 Rényi 纠缠熵进行分类。准确率从接近随机（ $L=1$ ）提升至 $L=4$ 时的 0.93。
布洛赫球分类： 模型学习了布洛赫球上的复杂决策边界（例如 $|r_3| \geq 0.5$ ），在适当的层深下达到了 0.99 的准确率。
训练动力学： 实验采用了全幺正参数化（ $U = \exp(iH)$ ）和自动微分。作者指出，虽然在理论上可以使用参数移位规则（parameter-shift rules），但为了灵活性，他们在模拟中采用了自动微分。

意义与主张
论文声称为设计直接作用于量子数据的 QML 模型提供了一种空间高效且具有表达力的方法。通过证明给定足够的新鲜副本和深度，单个量子比特可以作为任何量子输入的通用处理器，这项工作将“单量子比特通用性”范式扩展到了量子输入领域。

作者对其实际意义保持了审慎态度：

他们澄清，其通用性证明是一个关于宽度效率的存疑性陈述，而非关于任意任务的电路合成效率或样本复杂度的保证。
他们承认，表达能力（需要许多副本/层）与资源开销（量子比特数）之间的权衡仍然是一个挑战。
他们指出，虽然该架构避免了对大型辅助寄存器的需求，但设计针对特定函数类的显式、深度高效的电路族仍是一个开放性问题。
论文认为，当信号寄存器扩大时，该架构的潜在优势可能会更加明显，尽管目前的工作侧重于单量子比特的情况。

总之，本文为“重新上传”量子数据建立了理论基础，证明了通过与新鲜量子态的顺序交互，极小的量子系统可以逼近该态的任何连续函数，从而为不依赖于经典数据编码的 QML 模型提供了一条可行的路径。

技术摘要：将量子数据重新上传作为通用函数逼近器

类似论文