Quantum and classical processing with photonic quantum machine learning

本文提出了一种可扩展的、可编程的硅光子芯片，该芯片利用单光子执行量子与经典机器学习任务，并通过一种新颖的实验缺陷缓解策略，在量子态层析成像和纠缠测量中展现出卓越的精度。

要点

想象你有一个非常复杂、神秘的盒子（一个量子态），你需要理解它。在经典计算机的世界里，弄清楚这个盒子里有什么，就像试图解一个巨大的拼图，你必须从每一个可以想象的角度去观察这些碎片。这需要海量的时间和计算能力，通常使得普通计算机无法快速完成。

这篇论文介绍了一种利用特殊“量子机器”来解决这个拼图的新方法，该机器构建在一块微小的硅芯片上，类似于你手机中的芯片，但它是设计用来处理光粒子（光子）而非电力的。

以下是研究人员所做工作的分解，使用了简单的类比：

1. “黑箱”与“魔法搅拌器”

通常，为了理解一个量子态，科学家们必须以不同的方式（不同的“基”）反复对其进行测量，以获得完整的图像。这就像试图通过一根只能让你依次品尝红色浆果、然后是蓝色浆果、接着是绿色浆果的吸管来弄清楚一杯冰沙的味道。这既缓慢又乏味。

该团队构建了一个量子储层处理器。将其想象为一个“魔法搅拌器”。

• 输入：你将神秘的量子冰沙（输入态）倒入搅拌器中。
• 搅拌器：在芯片内部，光在一个由镜子和波导组成的复杂迷宫（储层）中反弹。这以一种非常特定的非线性方式扰乱信息，将所有“风味”混合在一起。
• 输出：机器不是逐块品尝冰沙，而是精确计算从不同出口流出的液滴数量（这被称为“光子数分辨”探测）。
• 结果：一个计算机程序（神经网络）观察流出的液滴模式，并立即推断出原始冰沙是由什么制成的。

2. 两种类型的任务

研究人员展示了该芯片可以执行两种不同的工作：

任务 A：量子侦探（量子任务）
他们利用该芯片执行量子态层析成像。

• 类比：想象你有一段用隐形墨水写成的秘密代码。普通相机无法看到它。但是，如果你用一种特定的、复杂的光照射它，代码会反射出一种计算机可以读取的模式。
• 成就：他们仅使用芯片上的一个固定设置，就成功重建了复杂量子态的完整“地图”（密度矩阵）。传统方法需要指数级更多的测量（就像从数百万个不同角度拍照）。他们还直接从这单次测量中测量了诸如“纠缠”（两个粒子之间的连接程度）和“纯度”（状态的混乱程度）等棘手属性。

任务 B：模式识别器（经典任务）
他们还利用该芯片解决了一个标准的数学问题：区分两条交织在一起的螺旋线（这是人工智能的经典测试）。

• 类比：想象试图教一个机器人画螺旋线。通常，你必须向它展示成千上万次完美的示例。但在现实世界中，你的手会颤抖，线条会摇晃。
• 成就：研究人员在系统学习时教导它预期会出现“摇晃的线条”（实验误差）。通过在训练期间模拟这些不完美，该系统变得如此稳健，以至于其表现优于完美的、理想化的经典计算机。它学会了忽略噪声并找到真正的模式。

3. 为什么这很重要

该论文声称这是一个突破，因为：

• 速度与效率：它利用光的自然物理特性来解决通常对经典计算机来说过于困难的量子问题，而不是试图用软件来模拟它。
• 可扩展性：该芯片由硅制成，这是我们所有电子设备使用的相同材料，这意味着它可以大规模生产并做得更大。
• 现实世界的证明：与许多仅在完美模拟中有效的量子实验不同，该团队制造了实际设备，运行了实验，并证明了即使在现实世界的不完美条件下它也能工作。

总结

简而言之，研究人员构建了一个微小的、由光驱动的“大脑”，它可以观察一个复杂的量子物体，并立即告诉你它是什么，而无需将其拆解或从一百万个角度去观察。他们还证明，通过训练这个“大脑”去预期现实世界的混乱，它可以解决比甚至完美的理论计算机更好的问题。这为现在利用量子机器处理实际任务打开了大门，而无需等待遥远的未来。

技术摘要

技术摘要：光子量子机器学习中的量子与经典处理

问题陈述
尽管人工智能和机器学习（ML）已无处不在，但它们带来了高昂的计算成本。量子机器学习（QML）有望加速处理过程并解决经典系统无法触及的任务，然而通用的容错量子计算机仍遥不可及。目前的量子优势演示往往局限于没有直接实际相关性的特定问题。此外，物理 QML 实现面临着优化景观中的 barren plateaus（ barren 平台）以及难以将反向传播应用于量子电路等挑战。量子技术中的一个具体瓶颈是量子态的高效探测；标准的量子态层析成像通常需要在不同基下测量指数级数量的数据。此外，光学 QML 的实验实现往往难以弥合理想化模拟与不完美的硬件之间的差异，导致其精度低于经典领域。

方法论
作者报告了一项光子量子储层处理（QRP）系统的实验演示，该系统能够处理量子和经典机器学习任务。核心硬件是 Quandela 公司的一款可编程硅光子芯片（"Belenos"），其特征是由 24 个集成光波导组成的网格，排列成马赫 - 曾德尔干涉仪（MZIs）。该系统由产生单光子的半导体量子点源激发。

关键的方法论组成部分包括：

• 硬件架构： 该芯片支持将多达 12 个单光子同时注入到一组模式中。它利用了光子数分辨（PNR）探测器，这是相对于以往的二元（0 或 1）探测方案的重大进步。
• 量子储层处理： 系统采用固定的随机酉变换（即储层，$U_R$）将输入数据映射到高维特征空间。随后是一个在软件中实现的、可训练的线性读出层（神经网络）。
• 量子任务： 作者实现了针对双模和三模基下混合纠缠态的量子态层析成像。与需要指数级测量的标准层析成像不同，该方法使用单个固定酉变换和单个测量基。输入态在芯片内生成或注入，储层将多模量子关联转换为可测量的光子计数统计。
• 经典任务与误差缓解： 对于经典数据，输入被编码为干涉仪的参数。为了弥合模拟与实验现实之间的差距，作者引入了一种“硬件感知”训练技术。这涉及在硅上训练阶段用随机噪声扰动储层酉矩阵（$U_R$）。这种正则化方法训练网络以抵御实验缺陷，如转换错误和相位漂移。

主要贡献

1. 光子 QRP 的实验演示： 这项工作提供了首个使用储层计算架构执行真正量子任务（量子态层析成像）的光学系统的实验演示。
2. 可扩展的 PNR 探测： 该实现在可扩展的硅光子芯片上利用了光子数分辨探测，能够捕捉二元探测器遗漏的复杂多光子符合事件。
3. 高效的量子层析成像： 作者证明，QRP 仅使用单个测量基即可重构混合量子态的密度矩阵，这与传统层析成像的指数级开销形成对比。
4. 硬件感知训练： 本文提出了一种针对实验缺陷的具体缓解策略。通过在储层随机扰动模拟的数据上训练经典读出层，该系统实现了比在经典域中运行的相同系统（使用相干态和强度测量）更高的精度。

结果

• 量子层析成像： 在双光子混合态的重构中，QRP 系统在测试数据集上实现了 $F_{QRP} = 0.820 \pm 0.013$ 的平均保真度。这显著优于"PNR 基准”（无储层的直接探测），后者实现了 $F_{PNR} = 0.747 \pm 0.015$。这种改进归功于储层能够捕捉直接探测所遗漏的非对角相干性（量子干涉）。
• 可扩展性： 该研究通过将层析成像扩展到三模态，验证了该方法的可扩展性。结果表明，储层大小（模式数量）必须与密度矩阵中的独立参数数量相匹配（2 模为 13 个参数，3 模为 45 个参数）。
• 特征提取： 该系统利用仅三个探测器的数据，以高精度成功预测了关键量子特性，包括纯度、冯·诺依曼熵和负性。
• 经典分类： 对于二元非线性分类任务（交织螺旋），硬件感知训练技术产生了约 79.7% 的实验精度。这超过了作为基线的理想经典系统（相干输入，强度探测）的精度。如果没有扰动训练，由于硬件缺陷，实验精度会显著降低。

意义
作者声称，这项工作展示了一种克服量子技术关键瓶颈（即量子态的高效探测）的实用方法。通过表明 QRP 能够以单个测量基执行量子任务，并且即使在存在实验噪声的情况下也能超越经典领域，该论文指出了通往机器学习实用量子优势的路径。研究结果强调，基于集成芯片和单光子源的可扩展光子器件可以有效地利用量子效应，既用于量子数据处理，也用于稳健的经典计算。该研究强调，虽然通用量子计算机尚未可用，但像 QRP 这样的专用物理 QML 方法为加速特定任务和提取量子特征提供了可行的替代方案。