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
想象一下，你正在尝试为一道复杂的菜肴制定终极食谱，但你有两位截然不同的厨师在合作：一位是人类厨师（经典计算机），另一位是魔术师（量子计算机）。人类厨师擅长切菜和整理食材，而魔术师则能施展人类独自无法完成的戏法。
问题在于，弄清楚这两者如何协作极其困难。如果只让人类厨师独自烹饪，菜肴尚可；如果让魔术师独自尝试，则是一场灾难。但如果你试图将两者混合，就有数十亿种组合技能的方式。手工尝试每一种组合所需的时间，将超过宇宙存在的时间。
本文介绍了Q-PhotoNAS，一种智能的“品尝机器人”，它能自动为这种“人类 - 魔术师”团队找到完美的食谱，专门针对一种使用光（光子）而非电力的量子计算机。
以下是其工作原理，分解为简单的概念：
1. 问题：选择过多
将设计这种混合系统想象成制造一辆定制汽车。你必须决定：
- 引擎应该多大。
- 使用何种燃料。
- 方向盘如何连接到车轮。
- 座椅的颜色。
在基于光的量子计算领域，大约有370 亿种不同的方式来排列这些部件。作者曾尝试手动完成这项工作（就像机械师猜测哪些部件合适），发现这既缓慢，又常常导致制造出无法良好运行的汽车。他们需要一种能够自动测试最佳组合的方法。
2. 解决方案：“进化”机器人厨师
作者创建了一个名为Q-PhotoNAS的系统，它就像一个数字进化实验室。与其让人类去猜测，不如让计算机使用遗传算法。
- 种群：想象机器人一次性生成 20 种不同的“婴儿”食谱（架构）。
- 测试：它烹饪一道微小、快速的菜肴（使用少量数据），以查看其味道如何。
- 选择：它保留味道最好的 20 种食谱，并淘汰糟糕的食谱。
- 混合（交叉）：它将两个好食谱的最佳部分混合在一起。例如，它可能从食谱 A 中取“引擎”，从食谱 B 中取“转向系统”，从而创造出一种新的、可能更好的食谱 C。
- 变异：有时，它会随机更改一种配料（例如，加一点盐而不是糖），以观察这是否能改善风味。
- 循环：它重复此过程 30 次。每一轮，食谱都会变得更好，逐渐进化出完美的组合。
3. 特殊配料：“可学习”的光
本文最大的创新之一在于他们如何处理“魔法”部分。通常，当你将数据输入量子计算机时，你必须强行将其塑造成特定的形状（就像把方形木桩塞进圆孔）。
在这个新框架中，机器人学习如何塑造光本身。它找出将图像数据转化为“相位”（就像调整波的时序）的完美方式，以便量子计算机能最好地理解它。这就像机器人教导魔术师如何挥动魔杖以获得最佳结果，而不是强迫魔术师使用僵硬的、预设的戏法。
4. 结果：获胜的食谱
机器人将其新食谱在两个著名的图像数据集上进行了测试：Digits（手写数字 0-9）和MNIST（一个更大、更难的手写数字集）。
- 得分：机器人找到了一种食谱，在 Digits 测试中获得了**99.44%的准确率，在 MNIST 测试中获得了98.78%**的准确率。
- 比较：当他们将这个“人类 + 魔术师”团队与“仅人类”团队（没有量子部分的普通计算机）进行比较时，混合团队每次都获胜。
- 获胜原因：分析表明，“魔术师”（光子层）不仅仅是在重复人类厨师所做的。它发现了人类厨师看不见的隐藏模式和特征，有效地为这道菜增添了新的风味维度。
5. 速度检查：魔法有多快？
作者还计算了这在真实的物理量子计算机（使用光的 Quandela Ascella 芯片）上需要多长时间。
- 瓶颈：最慢的部分不是光的移动（那是瞬间的）或检测，而是加热。该机器利用热量来改变光的路径，这需要一点时间来加热和冷却。
- 时间：即使存在这种加热延迟，该系统也能在约67 毫秒（针对 Digits）和149 毫秒（针对 MNIST）内识别单张图像。这足以满足许多现实任务的实用性要求。
总结
简而言之，本文表明，我们不需要成为天才建筑师来构建用于人工智能的量子计算机。相反，我们可以使用自动进化机器人来搜索数十亿种可能性，找到将经典计算机与基于光的量子计算机完美混合的最佳方式，并创建一个比两者单独存在时更智能、更准确的系统。这就像是一个人试图猜测完美的汽车设计，与一家自动建造、测试并改进汽车直到它们完美的工厂之间的区别。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。