🤖 machine learning

QeHDC: Hyperdimensional Computing based on Quantum-enhanced binding and SuperClass Construction

本文提出了 QeHDC，一种新型的量子增强超维计算框架，该框架利用具有正弦和量子编码的一次性训练、基于参考态的结合操作以及基于密度矩阵的超类生成策略，从而在分类性能、噪声鲁棒性和计算效率方面均优于现有的经典和量子方法。

原作者： Yangjie Xu, Hui Huang, Li Ning, Radu State

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Yangjie Xu, Hui Huang, Li Ning, Radu State

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，你正在试图组织一个庞大的图书馆，其中的每一本书都不再仅仅由几个关键词描述，而是由一个独特的、发光的、10,000 维“指纹”来定义。这就是**超维计算（HDC）**的基本概念。这是一种模仿人类大脑思考的方式：它使用巨大的、杂乱的高维向量来表示概念。它的优点在于其鲁棒性（即使指纹的一部分被弄脏了，你仍然能识别出这本书）且处理速度极快。

然而，随着图书馆规模的扩大，管理这些巨大的指纹对传统计算机来说变成了一场噩梦。它们会变得缓慢并耗尽内存。

于是，这篇论文的作者提出了 QeHDC。你可以把它想象成通过使用量子力学（微观世界的物理学）来让指纹变得更小、更聪明、处理得更快，从而升级了图书馆的分类系统。

以下是他们实现这一目标的步骤，通过简单的步骤进行了拆解：

1. “缩放射线”编码器（两步混合编码器）

在旧的方法中，为了获得一个 10,000 维的指纹，你需要大量的计算机内存。

新技巧： 作者构建了一个“缩放射线”。他们先利用一种标准的数学技巧（随机投影）将你的数据拉伸，然后使用一种特殊的量子“透镜”（正弦编码），将那个巨大的指纹压缩进一个仅容纳几个**量子比特（qubits）**的微小空间中。
类比： 想象一下将一部百页的小说压缩成一只复杂的折纸鹤。这只纸鹤很小，但如果你能以正确的方式展开它，它依然保留了故事的所有信息。这节省了大量的空间。

2. “量子胶水”（基于参考态的绑定）

在图书馆里，你经常需要将两样东西粘在一起，比如“书”和它的“作者”。在常规计算中，你需要通过乘法来实现这一点，但这很慢。

新技巧： 作者发明了一种使用量子电路将事物粘合在一起的新方法。他们不再仅仅是进行数字乘法，而是使用一个“参考态”（一个特殊的、预制的锚点）和一组量子门（就像是一场特定的粒子舞蹈）将数据粘合在一起。
类比： 想象你有两个拼图碎片。与其尝试用蛮力将它们强行挤在一起（这会损坏它们），不如使用一种特殊的磁性胶水（参考态），让它们完美且瞬间地吸附在一起。这种“胶水”比旧的方法要高效得多。

3. “大师蓝图”（超类构建）

一旦你把所有属于特定类别（例如所有的“科幻小说”）的“书”粘合在一起后，你需要一种方式将它们总结成一个“大师蓝图”，这样计算机就能知道什么是科幻小说。

新技巧： 他们使用了一个叫做密度矩阵的数学工具。你可以把它想象成同时拍摄所有科幻小说的照片，稍微模糊处理以找到它们的共同“核心”特征，然后挑选出最重要的特征，从而创建一个单一且完美的“超类（SuperClass）”模板。
类比： 如果你请 100 个人画一只“狗”，你会得到 100 幅不同的画。作者的方法会提取这 100 幅画，找到共同的线条（耳朵、尾巴、鼻子），然后创造出一幅完美的“理想狗”画作，代表整个群体。

4. “单次通过”学习

传统的 AI（如深度学习）就像一个学生，必须阅读教科书、参加测试、失败、再次学习，并不断重复成千上万次才能学会。

新技巧： QeHDC 就像一个天才学生，他只需读一遍书，就能立即理解核心模式，并准备好参加测试。
优势： 这极其快速，且不需要庞大的计算能力来进行“训练”。

5. 现实世界测试

作者不仅仅是在纸面上进行理论推导。他们通过两种方式测试了他们的系统：

完美模拟器： 他们在一个没有任何噪声或误差的超精确计算机模拟器（Qiskit Aer）上运行了它。
真实机器： 他们在现有的、小型化的真实量子计算机（IBM QPU）上运行了它。这些机器是“有噪声的”（容易出错），就像是在狂风暴雨中读书。

结果： 即使面对真实硬件带来的“狂风暴雨”，他们的方法依然表现得惊人地出色。它能以很高的准确率识别模式，证明了这种量子方法不仅仅是一个理论——它在真实的、当前的硬件技术上确实有效。

总结

该论文声称，通过使用量子力学来压缩数据、将概念粘合在一起以及为类别创建“大师蓝图”，他们构建了一种新型的计算机大脑。这个大脑比传统方法更快、占用更少内存，并且更具鲁棒性（对错误更强韧），即使是在运行在当今这些规模较小、并不完美的量子计算机上时也是如此。他们在标准数据集（如识别手写数字和语音字母）上的测试表明，他们的表现达到了甚至超越了传统方法的水平。

技术摘要：QeHDC —— 量子增强型超维计算

问题陈述
超维计算（Hyperdimensional Computing, HDC）是一种鲁棒且具有噪声容忍性的计算范式，它利用高维向量（通常 >10,000 维）进行信息表示与处理。尽管非常有效，但传统的 HDC 在数据规模和维度增加时，面临着存储和计算复杂度的显著瓶颈。传统的绑定操作（如循环卷积）通常需要 $O(N^2)$ 的复杂度，且表示高维向量需要大量的内存。作者提出，利用量子力学特性——特别是叠加、纠缠以及布洛赫球（Bloch sphere）的几何特性——可以打破这些架构限制，提供指数级的维度压缩和更高效的特征交互。

方法论：QeHDC 框架
所提出的量子增强型超维计算（QeHDC）框架通过四个核心模块将经典数据处理与量子电路操作相结合：

两步混合编码器：
- 经典变换： 输入向量 $X \in \mathbb{R}^d$ 通过随机权重矩阵和偏置项被投影到目标维度 $n = 2^N$ （其中 $N$ 是量子比特数）。
- 量子编码： 投影值通过“交叉乘积”正弦变换（ $\Phi_{re} = \cos(Z')\sin(Z)$ ， $\Phi_{im} = \sin(Z')\cos(Z)$ ）映射到复值量子态。这确保了复空间中相位角的均匀分布，随后将其归一化以形成初始量子态 $|\Psi\rangle$ 。这一步骤隐式地将数据表示维度从经典高维降低到了对数级的量子比特数。
基于参考态的量子绑定：
- 为了避免与经典绑定相关的指数级量子比特增长，作者引入了一种压缩绑定操作。
- 输入态 $|\Phi_{in}\rangle$ 通过特定的量子电路与预定义的参考态 $|\Phi_{ref}\rangle$ 进行绑定。
- 该电路在两个寄存器的对应量子比特之间使用旋转角度为 $\pi/4$ 的受控-RX (CRX) 门，随后在参考寄存器内进行单比特 RY 旋转和链式纠缠 (CX 门)。这创建了一个高度纠缠且压缩的量子表示 $|\Psi_{comp}\rangle$ 。
基于密度矩阵的超类（SuperClass）生成：
- 该框架并非通过平均向量来构建，而是通过聚合该类别中所有绑定样本态的密度矩阵来构建每个类别 $c$ 的“超类”模板： $\rho_c = \frac{1}{m} \sum |\Psi_i\rangle\langle\Psi_i|$ 。
- 对 $\rho_c$ 进行特征值分解。选择对应于最大特征值（ $\lambda_{max}$ ）的特征向量作为代表性的超类模板态 $|\Phi_{template}\rangle$ 。该策略提取了关键统计特征并增强了鲁棒性。
单次遍历训练与分类：
- 模型采用单次遍历训练机制，仅需一次数据遍历即可构建超类模板，避免了迭代反向传播。
- 分类： 对于测试样本，应用相同的编码和绑定过程。通过计算测试绑定态与每个预计算超类模板之间的量子态保真度（fidelity）来预测类别标签。选择保真度最高的类别。
- 执行： 该框架在理想无噪声模拟器（Qiskit Aer）和真实硬件（IBM QPU）上均进行了验证，其中使用量子态层析成像（quantum state tomography）来重建用于计算保真度的密度矩阵。

核心贡献

维度压缩： 证明了量子态可以使用仅 $\log_2 N$ 个量子比特来表示传统的超高维向量空间，显著降低了资源开销。
新颖的绑定机制： 引入了使用受控旋转和纠缠门的“基于参考态的量子绑定”操作，实现了高效的数据关联，且没有产生经典绑定的指数级量子比特成本。
超类构建： 提出了基于密度矩阵的超类生成策略，利用特征值分解创建鲁棒且具有代表性的类别模板，提高了泛化能力。
跨平台验证： 提供了一套完整的实验验证系统，在高性能模拟器和物理 IBM 量子处理器上验证了该算法，证明了其在含噪声中等规模量子（NISQ）时代的可行性。

实验结果
作者在三个基准数据集上评估了 QeHDC 的性能：ISOLET（语音）、MNIST（手写数字）和 UCI HAR（人体活动识别）。

性能： 在二分类任务中，即使在低维度约束下（16D、32D、64D，分别对应 4、5 和 6 个量子比特），QeHDC 也取得了优于经典 HDC 基准（如 VanillaHD、AdaptHD、SparseHD 等）的准确率。
- 在 ISOLET（64D/6 量子比特）上，QeHDC 达到了 98.97% 的准确率。
- 在 MNIST（64D/6 量子比特）上，它达到了 99.97% 的准确率。
- 在 UCI HAR（64D/6 量子比特）上，它达到了 92.04% 的准确率。
鲁棒性： 随着类别数量增加（高达 10 个类别），该方法仍保持了高性能，优于许多在低维设置下准确率下降的经典基准模型。
硬件可行性： 在 IBM QPU 上的实验（使用小批量）表明，尽管存在硬件噪声，重建的量子态仍保留了足够的结构用于分类，其与理想态的保真度保持在较高水平（例如，UCI HAR 在 QPU 上的保真度为 0.87，而在 Aer 上为 0.98）。

意义与主张
论文声称 QeHDC 为克服传统 HDC 的效率和存储瓶颈提供了切实可行的解决方案。通过利用量子特性，该框架能够在与当前 NISQ 硬件兼容的低维空间中实现有效的分类。作者强调，其方法提供了一种“可行的方案”，用于将量子计算应用于机器学习，证明了量子增强绑定和基于密度矩阵的抽象可以在无需大量训练迭代的情况下，实现鲁棒、抗噪声的分类。这项工作被视为迈向“量子启发式计算范式”的一步，旨在弥合经典认知架构与新兴量子硬件之间的鸿沟。