⚛️ quantum physics

Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

该研究提出并评估了两种混合量子 - 经典机器学习方法，通过卷积神经网络提取特征并结合量子核支持向量机或变分量子电路，在铝 TIG 焊接图像缺陷分类任务中实现了与传统深度学习模型相媲美的性能，展示了其在工业质量控制中的应用潜力。

原作者： Akshaya Srinivasan, Xiaoyin Cheng, Jianming Yi, Alexander Geng, Desislava Ivanova, Andreas Weinmann, Ali Moghiseh

发布于 2026-04-01

📖 1 分钟阅读🧠 深度阅读

原作者： Akshaya Srinivasan, Xiaoyin Cheng, Jianming Yi, Alexander Geng, Desislava Ivanova, Andreas Weinmann, Ali Moghiseh

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

这篇论文讲述了一个非常前沿且有趣的故事：如何让“量子计算机”和“经典计算机”联手，像超级侦探一样，在工厂里快速识别焊接瑕疵。

想象一下，你是一家大型汽车制造厂的质检主管。工厂里每天有成千上万个金属部件需要焊接，如果焊接得不好（比如有裂缝、没焊透或者被污染），车子可能会散架。以前，我们靠人工拿着放大镜看，或者用普通的电脑程序（深度学习）来检查。但现在的电脑程序虽然厉害，却非常“吃”算力，而且随着数据量变大，它们也会变得笨重。

这篇论文的作者们想：“既然未来的量子计算机那么快，能不能现在就用上呢？”于是，他们设计了一套**“混合双打”**的方案。

1. 核心角色：经典与量子的“师徒搭档”

在这个故事里，有两个主要角色：

经典计算机（CNN）：经验丰富的“老法师”
- 它的任务：处理那些巨大的、高清的焊接照片。
- 比喻：想象焊接照片是一幅巨大的、细节繁多的油画。直接让量子计算机看这幅画，就像让一个还没长大的孩子去解微积分，它根本看不过来（因为量子计算机现在的“内存”太小了，叫量子比特）。
- 做法：所以，先让“老法师”（经典神经网络）把这幅巨大的油画，提炼成一张**“极简素描”**。它把成千上万个像素点，压缩成几个关键的数字特征（比如“这里有个黑点”、“那里线条不直”）。这就好比把一本厚厚的百科全书，浓缩成了几页重点笔记。
量子计算机：拥有“超能力”的“天才少年”
- 它的任务：拿着“老法师”提炼出的“重点笔记”，利用量子力学的神奇原理（比如叠加态和纠缠）来快速判断这张图是“好焊”还是“坏焊”。
- 比喻：量子计算机就像是一个能同时进入所有平行宇宙的侦探。它不需要像普通电脑那样一个一个地试，而是能瞬间“感知”到所有可能的答案，然后选出最对的那个。

2. 他们用了哪两种“超能力”？

作者们测试了两种让“天才少年”发挥作用的方法：

方法一：量子核方法（VQLS-QSVM）—— “寻找完美切分线”

原理：想象你要把红苹果和青苹果分开。在平面上，你可能画一条线就能分开。但如果苹果混在一起，线就不够用了。
比喻：量子计算机有一个魔法，能把这些苹果瞬间“抛”到更高维度的空间（比如把二维平面变成三维空间，甚至更高）。在这个神奇的空间里，原本混在一起的苹果，可能只需要轻轻放一块板子就能完美分开。
过程：
1. 把“老法师”给的笔记变成量子状态。
2. 计算这些状态之间的“距离”（量子核）。
3. 用一种叫VQLS的算法，在量子世界里解方程，找到那块完美的“板子”（决策边界）。
结果：这个方法很准，但有点“慢”，因为解方程的过程需要反复试错，就像在迷宫里找出口，需要很多时间。

方法二：变分量子电路（VQC）—— “训练一个量子大脑”

原理：这更像是在训练一个普通的神经网络，只不过里面的神经元换成了量子门。
比喻：想象你在训练一只机器狗。你给它看照片，它猜是“好”还是“坏”。猜错了，你就调整它的“神经”（量子门的参数），让它下次猜得更准。
过程：
1. 把笔记编码进量子门。
2. 让量子电路跑一圈，输出结果。
3. 如果错了，用经典计算机帮忙调整参数，再试一次。
结果：这个方法非常灵活，训练速度快，而且在这个任务里表现几乎和传统的经典电脑一样好，甚至更好！

3. 实验结果：谁赢了？

作者们拿真实的工业焊接照片（有 3000 多张，后来精选了 1100 张）做了测试，任务包括：

二分类：好焊 vs. 坏焊。
三分类：好焊 vs. 有杂质 vs. 没焊透。

比赛结果：

经典 CNN（老法师）：表现完美，几乎 100% 正确。这是目前的行业标准，非常稳。
VQC 量子模型（天才少年）：表现惊人！在“好焊 vs. 坏焊”和“三分类”任务中，它的准确率几乎和老法师一样高（接近 99%）。这意味着，现在的量子技术已经可以处理真实的工业问题了！
VQLS 量子模型：表现也不错，但在处理复杂任务（三分类）时稍微有点吃力，而且计算过程太慢，有点像“为了算一道题，花了太长时间”。

4. 为什么这个研究很重要？

打破“不可能”：以前大家觉得量子计算机离实际应用还很远，只能做理论题。但这篇论文证明，在现在的“嘈杂”量子计算机（NISQ）上，混合模式已经能干活了。
未来可期：虽然现在的量子计算机还有点“笨”（容易出错、比特少），但通过让经典计算机做“预处理”（提炼特征），量子计算机就能发挥它的“超能力”。
工业价值：如果这套系统能普及，未来的工厂里，焊接质量检查将更快、更准，甚至能实时发现那些肉眼看不见的微小缺陷，保证汽车和飞机的安全。

总结

这就好比经典计算机是经验丰富的老教练，它负责把复杂的比赛录像剪辑成精华片段；而量子计算机是拥有预知能力的天才球员，它看着精华片段，瞬间就能判断出刚才那个球进没进。

这篇论文告诉我们：虽然量子计算机还没完全成熟，但当我们把它和经典计算机“组队”时，它们已经能胜任像“焊接质检”这样高难度的现实工作了。未来，这种“混合双打”可能会成为工业界的新常态。

论文技术总结：基于混合量子 - 经典 AI 的焊接图像工业缺陷分类

1. 研究背景与问题 (Problem)

在现代工业制造（如汽车、航空航天）中，焊接质量直接关系到结构安全。传统的自动质量控制依赖卷积神经网络（CNN）进行图像缺陷检测，虽然效果显著，但随着数据维度和模型复杂度的增加，其计算资源需求巨大。
与此同时，量子计算（特别是含噪声中等规模量子，NISQ 时代）为机器学习提供了新的范式。然而，受限于当前量子硬件的量子比特数量、保真度和电路深度，直接将高分辨率图像输入量子处理器是不现实的。
核心问题：如何在当前 NISQ 硬件限制下，构建高效的混合量子 - 经典模型，以在工业焊接图像缺陷分类任务中实现与经典深度学习模型相媲美的性能，同时探索量子优势。

2. 方法论 (Methodology)

本研究提出了一种混合架构，首先利用经典 CNN 提取特征，然后将其输入到两种不同的量子处理流程中进行分类。

2.1 特征提取 (Feature Extraction)

架构：采用基于文献 [12] 中"Model-1"改进的卷积神经网络（CNN）。
作用：将高分辨率（800x974 像素）的焊接图像压缩为低维、信息丰富的特征向量。
维度选择：系统评估了 7、15、31、63 和 127 五种特征向量长度，以平衡量子电路复杂度与分类性能。

2.2 两种混合量子 - 经典分类方法

研究对比了两种不同的量子处理策略：

A. 基于 VQLS 增强的量子支持向量机 (VQLS-Enhanced QSVM)

原理：将经典特征映射到量子态，构建量子核矩阵（Quantum Kernel Matrix），将 SVM 的优化问题转化为线性方程组求解问题。
核心算法：使用变分量子线性求解器 (VQLS) 在量子硬件上近似求解线性系统 $M\alpha = b$ 。
流程：
1. 特征归一化并编码为量子态。
2. 通过内积构建量子核矩阵 $K$ 。
3. 将 $K$ 分解为泡利算符，构建 Hermitian 矩阵 $\hat{M}$ 。
4. 使用参数化量子电路（Ansatz）和 Hadamard 测试计算代价函数，通过经典优化器（COBYLA）优化参数。
5. 测量最终状态获取系数，结合线性回归得到决策函数。
多分类策略：采用“一对多”（One-vs-Rest）策略。

B. 基于变分量子电路的分类器 (VQC-Based Classifier)

原理：类似于变分量子分类器（VQC），通过梯度下降训练参数化量子电路。
流程：
1. 降维：将 CNN 提取的特征线性投影到与量子比特数匹配的低维空间（如 4 维）。
2. 量子编码：使用角度编码（Angle Encoding）将特征映射到量子比特（ $R_y$ 旋转门）。
3. 变分处理：通过硬件高效的 Ansatz（包含 $R_y$ 和纠缠 $CX$ 门）处理量子态。
4. 测量与后处理：测量泡利 Z 基下的期望值，输出经典向量，最后通过全连接层和 Softmax 进行分类。
训练：使用参数移位规则（Parameter-shift rule）计算梯度，配合 Adam 优化器。

2.3 数据集与实验设置

数据源：Kaggle 上的铝 TIG 焊接图像数据集（HDR 相机采集）。
任务：
- 二分类：好焊 vs. 缺陷焊。
- 三分类：好焊、污染（Contamination）、未熔合（Lack of fusion）。
实验环境：使用 PennyLane 和 Qiskit Aer 模拟器，在 NVIDIA GPU 上运行。
超参数优化：使用 Ray Tune 进行人口基于训练（PBT），优化批量大小、特征尺寸、量子比特数等。

3. 主要贡献 (Key Contributions)

工业场景验证：首次将混合量子 - 经典 AI 模型应用于真实的工业 TIG 焊接缺陷检测任务，验证了其在实际非破坏性检测（NDT）场景中的可行性。
双路径对比：系统性地比较了两种主流的混合量子机器学习范式（基于核方法的 QSVM 与基于变分电路的 VQC）在相同工业数据集上的表现。
特征维度优化：深入研究了经典特征提取维度对量子模型性能的影响，确定了 63 维特征配合 4 个量子比特为当前硬件下的最优配置。
性能基准：建立了经典 CNN 作为强基准，证明了在特定条件下，混合量子模型可以达到与经典深度学习模型相当的性能。

4. 实验结果 (Results)

实验在 400 张测试图像上进行，特征尺寸统一为 63（最佳配置）：

模型	二分类准确率	三分类准确率	特点分析
经典 CNN	100%	100%	表现最稳健，作为强基准。
VQC 分类器	99.7%	98.9%	表现极佳，接近经典 CNN。浅层电路在 NISQ 设备上效率高，泛化能力强。
VQLS-QSVM	96.8%	92.4%	二分类表现良好，但三分类准确率下降明显。训练耗时较长，受限于核矩阵构建和线性系统求解的复杂性。

特征尺寸影响：随着特征尺寸从 7 增加到 63，所有模型性能提升；超过 63 后（如 127），由于过拟合或编码噪声，性能略有下降。
混淆矩阵分析：VQC 模型在三分类任务中表现出极强的类间分离能力；VQLS-QSVM 在区分“污染”和“未熔合”时存在一定困难，主要受限于核方法的复杂度。
视觉特征：数据集本身的高质量（如未熔合缺陷的深色线条特征明显）有助于所有模型取得高准确率。

5. 意义与结论 (Significance & Conclusion)

NISQ 时代的实用性：研究证明，即使在没有容错量子计算机的当下，通过“经典特征提取 + 量子分类”的混合架构，也能在工业视觉检测任务中实现具有竞争力的性能。
模型选择建议：
- VQC 分类器：在计算效率和性能平衡上表现最佳，适合当前 NISQ 设备的部署。
- VQLS-QSVM：虽然理论潜力大，但训练开销大、对线性系统条件数敏感，目前更适合小规模或特定核方法研究。
未来展望：随着量子硬件比特数增加和噪声降低，混合量子 - 经典模型有望在更复杂的工业缺陷检测中替代或辅助传统深度学习，特别是在需要高灵敏度非破坏性检测的领域。

总结：该论文不仅展示了量子机器学习在工业应用中的潜力，还通过严谨的对比实验，为未来在 NISQ 设备上部署混合 AI 系统提供了重要的工程参考和理论依据。