想象一下，你正在试图教一个机器人如何识别照片中的猫。在经典计算机的世界里，我们通常通过向机器人展示数百万张图片，并使用一种数学上的“反向传播”技巧来实现这一点。你可以把反向传播想象成一位老师在迷宫中倒着走，指出机器人犯过的每一个错误转弯，并准确地告诉它如何调整步伐以接近出口。这对于平滑、连续的道路非常有效。但如果你的机器人生活在一个由开关组成的、只能是“开”或“关”的世界里，就像一个巨大的、复杂的灯光控制板呢？在这个世界里，没有可以沿着走回去的平滑道路；只有陡峭、崎岖的悬崖。你不能轻轻地推动一个开关，你必须直接翻转它。这使得传统的“老师”教学法变得毫无用处。

这就是量子机器学习这一新领域面临的难题。量子计算机非常强大，但它们通常运行在这些“开/关”开关（称为二进制状态）上，并且涉及会打破我们所熟悉的平滑数学逻辑的测量过程。科学家们一直试图训练这些量子大脑，却一直被困住，因为传统的工具并不适用。他们需要一种新的方式来教导机器人，这种方式不依赖于平滑的梯度，而是利用自然界的物理定律——特别是系统总是倾向于稳定在最低能量状态的想法，就像一个小球滚向山谷底部一样。这篇论文进入了这个空白领域，提出了一个问题：我们能否通过将量子神经网络视为一个寻找最舒适休息位置的物理系统，而不是将其视为一个试图解决微积分问题的学生，从而来训练它？

训练量子大脑的新方法

这项研究背后的研究人员（与来自中山大学和 QBoson 量子科技的团队合作）构建了一个全新的训练框架，称为 EPIC-CIM。你可以把它看作是应对“陡峭悬崖”问题的一种巧妙变通方法。与其试图计算一个并不存在的斜率，不如让系统自然地达到平衡状态，或者说“平衡态”，并利用两个略有差异的平衡状态之间的差异来确定如何学习。

以下是他们的 EPIC-CIM 方法是如何运作的，我们用一个有趣的类比来解释：

想象一个充满数千个灯光开关（这些是量子机器的“二进制状态”）的巨大且混乱的房间。你的目标是排列这些开关，使它们在观察时能拼出“CAT”这个单词。

1. 设置阶段： 你向房间里照进一束手电筒光（输入图像）。光线击中开关，推动它们尝试开启或关闭。
2. “自由”阶段： 首先，你让房间自行稳定下来。开关会晃动和翻转，直到它们根据光线找到一个舒适的模式。这就是“自由阶段”。系统只是在闲逛，寻找其自然的能量水平。
3. “轻推”阶段： 现在，你希望房间能拼出“CAT”。于是，你轻轻地推动那些应该为“CAT”而保持开启的开关，以及那些不应该开启的开关保持关闭。你不是强迫它们，而只是给它们一个微小的、温柔的推力（一个“弱约束”状态），然后再次让它们稳定下来。
4. 学习阶段： 奇迹发生在比较这两个房间的过程中。研究人员观察“自由”房间和“轻推”房间之间的差异。如果一个开关因为你的轻推而发生了不同的翻转，这就会告诉系统：“嘿，你需要调整你的设置，以便当我要求时，那个开关能保持开启状态！”他们根据这种差异来更新网络的规则（即“权重”），而无需计算复杂的梯度。

这个过程被称为平衡传播（Equilibrium Propagation）。这就像不是通过解释球的物理原理来教狗，而是当它坐下时给予奖励，并在它没做好时进行温和的纠正，让它通过重复和反馈来摸索出规律。

他们的发现

该团队在三个著名的图像数据集上测试了这种新的“平衡传播”方法：MNIST（手写数字）、Fashion-MNIST（服装物品）和 CIFAR-10（色彩丰富的日常物品）。他们将 EPIC-CIM 模型与其他的量子方法进行了对比，包括使用“变分量子电路”（这就像是用螺丝刀来调节收音机频率）的方法，以及“量子退火”（这就像是通过让小球滚下山坡来寻找山谷底部）的方法。

结果非常令人鼓舞：

• 在 MNIST 数据集上： EPIC-CIM 实现了 92.32% 的测试准确率。这显著优于标准的量子卷积神经网络（QCNN），后者的得分为 84.59%，也优于量子退火方法，其得分为 87.53%。
• 在 Fashion-MNIST 数据集上： 新方法得分 79.62%，击败了 QCNN (78.29%) 和量子退火方法 (78.96%)。
• 在极具挑战性的 CIFAR-10 数据集上： 即便面对复杂且色彩丰富的图像，EPIC-CIM 仍达到了 34.56% 的准确率。虽然这低于标准经典计算机（得分为 40.22%），但相比其他量子模型（这些模型很难超过 27.79%）仍有了明显的提升。

最有趣的发现之一是该模型处理“小数据”的能力。通常，人工智能需要数百万张图片来学习。但 EPIC-CIM 表明，即使只有几千个样本，它也能有效地学习。当他们仅使用 1,000 张训练图像进行测试时，它依然表现出了良好的学习能力；随着数据增加到 60,000 张，准确率稳步攀升至 92.32%。这表明该方法非常高效，且不易产生混乱。

它在真实机器上有效吗？

研究人员并没有止步于计算机模拟。他们还在真实的量子硬件上测试了他们的想法。真实的量子计算机具有噪声，且通常无法处理高精度的数字；它们有时必须使用较低的精度（例如使用 14 位 数字而非标准的 32 位 数字）。

尽管存在这些硬件限制和现实世界的“噪声”，EPIC-CIM 模型表现得异常出色。在真实硬件上，它实现了 91% 的测试准确率。这非常接近它在完美模拟中获得的 92.32%。这表明该方法具有很强的鲁棒性，即使在硬件并不完美的情况下也不会崩溃。

这意味着什么

论文指出，通过将神经网络训练视为一个寻找能量平衡的物理过程，我们可以绕过训练量子计算机时遇到的数学难题。作者认为，这种方法使训练过程更加稳定且具有可解释性。我们不再面对一个数学黑盒，而是一个像物理对象一样趋于稳定位置的系统。

虽然该模型目前还无法完全媲美经典计算机（尤其是在处理像 CIFAR-10 这样困难的任务时），但它证明了量子启发式优化可以成为一种强大的工具。它证明了我们可以在不需要反向传播那种不可能实现的数学逻辑的情况下，训练复杂的量子网络，为未来更稳定、更具扩展性的量子人工智能开辟了大门。研究人员总结道，这一框架提供了一种统一的方式，架起了量子计算与我们日常使用的通用人工智能之间的桥梁。