⚛️ quantum physics

Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks

该论文提出了一种名为“基于采样的量子编码（SBQE）”的新范式，通过将数据分布映射到不同初始量子态的采样次数上，在无需数据编码门的情况下实现了混合态表示，从而在 Fashion MNIST 和 Semeion 数据集上显著提升了量子神经网络的分类精度并克服了现有编码方案的局限性。

原作者： Basil Kyriacou, Viktoria Patapovich, Maniraman Periyasamy, Alexey Melnikov

发布于 2026-04-08

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Basil Kyriacou, Viktoria Patapovich, Maniraman Periyasamy, Alexey Melnikov

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

这篇论文提出了一种名为**“基于射击的量子编码”（Shot-Based Quantum Encoding, 简称 SBQE）**的新方法，旨在解决当前量子机器学习面临的一个大难题：如何把普通电脑里的数据（比如图片）高效地“喂”给量子计算机。

为了让你轻松理解，我们可以把量子计算机想象成一个极其精密但脾气暴躁的“超级厨师”，而我们要做的任务就是教他做一道复杂的菜（识别图片）。

1. 现在的困境：要么太慢，要么太笨

在量子计算机（特别是现在的“含噪声中等规模”设备，简称 NISQ）上处理数据，主要有两种老办法，但都有大问题：

角度编码（Angle Encoding）—— “笨办法”
- 比喻：就像你让厨师每次只尝一口盐（一个特征），然后决定放多少。如果你有 100 种食材（特征），你就得让厨师尝 100 次。
- 问题：虽然操作简单，但效率太低。量子计算机的“大脑”（希尔伯特空间）本来可以一次性处理海量信息，但这种方法只用了它的一点点能力，就像用大象的鼻子去穿针。
幅度编码（Amplitude Encoding）—— “难办法”
- 比喻：你想让厨师一次性把 100 种食材按比例完美混合进一个汤里。这需要极其高超的技巧和极长的准备时间。
- 问题：为了把数据完美地“编码”进量子态，需要极其复杂的操作步骤（量子门）。现在的量子计算机就像个容易分心、手会抖的学徒，还没等做完复杂的步骤，数据就“散架”了（因为噪声和退相干）。

2. SBQE 的妙招：换个思路，用“次数”代替“步骤”

这篇论文提出的 SBQE 方法，就像是一个聪明的**“餐厅经理”，他发现了被大家忽略的一个资源：“射击次数”（Shots）**。

在量子实验中，为了得到准确结果，我们通常不会只让厨师做一次菜，而是让他做很多次（比如 1000 次），然后取平均值。这 1000 次尝试就是“射击次数”。

SBQE 的核心创意是：
不要试图用复杂的步骤把数据“塞”进量子态里，而是直接告诉厨师：“这 1000 次做菜，有 60% 的次数用 A 种食材，30% 用 B 种，10% 用 C 种。”

比喻：
- 以前：我们要花很大力气把“苹果”这个概念通过复杂的魔法（量子门）变成量子态。
- 现在（SBQE）：我们直接给厨师一张分配单。比如，对于一张“猫”的照片，我们告诉量子计算机：“请运行 1000 次。其中 400 次从‘状态 A'开始，300 次从‘状态 B'开始，300 次从‘状态 C'开始。”
- 关键点：这个分配过程完全是在经典电脑（经理）上完成的，不需要在量子计算机上做任何复杂的额外操作（不需要额外的量子门）。

3. 为什么这很厉害？

省去了“魔法步骤”：因为不需要在量子计算机上运行复杂的编码电路，所以电路深度（步骤数）变得非常浅。这对于容易出错的量子计算机来说，意味着错误率大大降低。
利用了“混合状态”：通过这种分配，量子计算机处理的不再是一个单一的“完美状态”，而是一个混合状态（就像一碗混合了不同比例食材的汤）。
像神经网络一样聪明：论文证明，这种混合状态的处理方式，在数学结构上完全等同于经典的多层感知机（MLP，一种基础的人工智能神经网络）。
- 这意味着，SBQE 既拥有量子计算机处理高维数据的潜力，又拥有经典神经网络处理非线性问题（比如识别复杂的猫和狗）的能力。

4. 实验结果：真的有效吗？

作者在两个著名的图片识别数据集（Fashion-MNIST 和 Semeion 手写数字）上测试了这种方法：

对手：传统的“角度编码”、“幅度编码”以及一个同等复杂度的经典神经网络。
战绩：
- 在手写数字识别上，SBQE 的准确率达到了 89.1%，比传统的“幅度编码”高了 5.3%，甚至和专门设计的经典神经网络打得有来有回。
- 在更难的时尚图片识别上，SBQE 也表现优异，比传统方法高出 2.0%。
最大亮点：它是在没有使用任何数据编码门（即没有增加额外量子操作）的情况下做到的。

5. 总结：这到底意味着什么？

想象一下，你有一个容易疲劳的超级大脑（量子计算机）。

以前的做法是：给它看一张复杂的图，让它费尽心思去“理解”这张图（复杂的编码），结果它累晕了，记不住。
SBQE 的做法是：告诉它，“别费劲去理解整张图了。你只需要做 1000 次简单的练习，每次练习稍微侧重一点点不同的部分，最后把这 1000 次的结果加起来。”

结论：
这篇论文告诉我们，量子计算机的“射击次数”（Shots）不仅仅是一个统计工具，它本身就可以作为一种强大的“数据编码”手段。 这种方法让量子机器学习在现有的、不完美的硬件上变得更实用、更准确、更不容易出错。它不需要等待未来的超级量子计算机，现在就可以用。

这是一份关于论文《Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks》（基于采样的量子编码：一种量子神经网络的数据加载范式）的详细技术总结。

1. 研究背景与问题 (Problem)

在含噪声中等规模量子（NISQ）时代，量子机器学习（QML）面临两个主要瓶颈：

数据加载效率低：现有的数据编码方案（如角度编码、振幅编码）存在明显缺陷。
- 角度编码 (Angle Encoding)：虽然电路深度浅，但表示能力随量子比特数量线性增长，无法充分利用希尔伯特空间的指数级容量。
- 振幅编码 (Amplitude Encoding)：虽然能指数级压缩数据（ $n$ 个量子比特编码 $2^n$ 个特征），但精确制备状态需要指数级深度的电路（ $O(2^n)$ ），远超当前硬件的相干时间和保真度预算。
噪声与采样限制：从含噪声的测量中提取信息困难，且现有的方案往往需要大量的量子门操作，导致误差累积。

核心问题：如何在不增加量子电路深度（即不增加相干门操作）的前提下，高效地将经典数据加载到量子寄存器中，以利用量子系统的指数级表达能力？

2. 方法论：基于采样的量子编码 (SBQE)

作者提出了一种名为基于采样的量子编码 (Shot-Based Quantum Encoding, SBQE) 的新范式。其核心思想是将数据加载的“工作量”从量子相干门转移到经典控制层，利用量子实验中原有的资源——采样次数 (Shots)。

核心机制：

混合态表示：
- 不再为每个数据点准备单一的纯态。
- 定义一组固定的、易于制备的初始量子态集合 $\{|\psi_j\rangle\}$ （例如计算基态 $|0\rangle, |1\rangle$ 等）。
- 对于输入数据 $x$ ，通过经典计算生成一个概率向量 $p(x) = (p_1, \dots, p_n)$ ，其中 $\sum p_j = 1$ 。
采样分配：
- 在总采样预算 $N_{tot}$ 下，根据概率向量 $p(x)$ 分配采样次数。
- 例如，如果 $p_1 = 2/3$ ，则约 $2/3$ 的采样从 $|\psi_1\rangle$ 开始，其余从 $|\psi_2\rangle$ 开始。
- 最终输入到变分量子电路（VQC）的是一个经典混合态： $\rho(x) = \sum p_j(x) |\psi_j\rangle\langle\psi_j|$ 。
无编码门：
- 数据完全通过经典概率分布的重新分配来编码，不需要任何额外的数据编码量子门（如旋转门）。
- 量子电路仅包含可训练的变分参数 $\theta$ 和测量操作。

数学结构与 MLP 的等价性：

输出期望值 $f_i(x, \theta) = \text{Tr}[O_i U(\theta) \rho(x) U^\dagger(\theta)]$ 可以展开为线性形式：
$f_i(x, \theta) = \sum_j W_{ij}(\theta) p_j(x)$
其中 $W_{ij}(\theta) = \langle\psi_j| U^\dagger(\theta) O_i U(\theta) |\psi_j\rangle$ 是由量子电路参数决定的权重。
结构等价性：SBQE 的每一层在数学结构上等价于一个多层感知机 (MLP)。
- 输入是概率向量 $p(x)$ 。
- 权重矩阵 $W$ 由量子电路实现。
- 通过引入非线性激活函数（如 Log-ReLU 级联），可以将输出概率向量作为下一层的输入分布，从而构建深层量子神经网络。

3. 主要贡献 (Key Contributions)

提出 SBQE 范式：首次系统性地提出利用“采样次数分配”作为数据编码的自由度，解决了数据加载的深度瓶颈。
理论连接：证明了 SBQE 在结构上等价于经典 MLP，其中量子电路充当了权重矩阵的角色，且支持多层堆叠。
硬件兼容性：该方案完全符合 NISQ 设备的限制，因为它消除了昂贵的数据编码门，仅利用现有的采样资源，且电路深度极浅。
线性可分性优势：与传统的角度编码（产生截断傅里叶级数，难以处理线性边界）不同，SBQE 基于概率分布，能够轻松处理线性可分数据。

4. 实验结果 (Results)

作者在 Fashion-MNIST 和 Semeion 手写数字识别两个数据集上进行了基准测试（8 量子比特，4 层，10 次独立初始化）。

Semeion 数据集：
- SBQE 准确率： $89.1\% \pm 0.9\%$ 。
- 对比：相比振幅编码（Amplitude Encoding），误差降低了 5.3%；与宽度匹配的经典 MLP ( $89.6\%$ ) 性能相当。
Fashion-MNIST 数据集：
- SBQE 准确率： $80.95\% \pm 0.10\%$ 。
- 对比：比振幅编码高出 2.0%，比线性 MLP 高出 1.3%。
统计显著性：配对 t 检验显示，SBQE 在两个数据集上均显著优于振幅编码 ( $p < 0.01$ )。
关键发现：在相同的量子硬件预算下，将资源重新分配给概率混合（SBQE）比传统的深度编码方案能更有效地利用量子资源，甚至弥补了与经典线性模型之间的部分差距。

5. 意义与影响 (Significance)

重新定义数据加载：SBQE 表明，量子实验中的“采样次数”不仅仅是一个统计工具，本身就可以作为一种强大的、可学习的数据编码通道。
NISQ 时代的实用方案：该方案无需复杂的量子门操作即可实现指数级特征空间的利用，非常适合当前相干时间短、门保真度有限的硬件环境。
混合架构的新方向：它提供了一种将经典概率处理与量子变分电路无缝结合的新架构，为设计更深层、更高效的量子神经网络提供了理论基础。
扩展性：由于 $q$ 个量子比特的基态可以编码 $2^q$ 个特征，SBQE 具有对数级的量子比特扩展性（Logarithmic scaling），能够处理高维输入（如图像像素），而无需增加电路深度。

局限性讨论：

随着特征维度增加，为了保持低方差的采样分布，所需的总采样次数（Shot budget）可能会增加。
需要设计合适的经典概率映射函数 $p(x)$ （如 Softmax）。
多层 SBQE 需要多次通过量子设备，可能增加墙钟时间（Wall-clock time）。

总结：这篇论文通过引入 SBQE，巧妙地避开了量子数据加载的“深度陷阱”，证明了利用经典控制层分配量子采样资源是一种在 NISQ 设备上实现高性能量子机器学习的可行且高效的新范式。