⚛️ quantum physics

Benchmarking Quantum and Classical Machine Learning Models on Oncological Data

本文通过使用 Red Cedar 框架和经 AutoML 优化的经典模型，提出了一种严谨的基准测试方法，用于评估量子机器学习与经典机器学习在各种肿瘤数据集上的表现，结果发现没有证据表明存在量子优势，并建议未来的研究重点应转向更高维、更具生物学真实性的数据。

原作者： Sydney Leither, Thomas Lubinski, Michael Kubal, Sonika Johri

发布于 2026-08-13

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Sydney Leither, Thomas Lubinski, Michael Kubal, Sonika Johri

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，你正试图解决一个巨大的、混乱的拼图，而这些拼图碎片是由光、声音和生命细胞构成的。这就是机器学习的世界——它是科学的一个分支，其中的计算机通过识别数据中的模式来学习进行预测，比如根据医学扫描图像来猜测患者是否患有癌症。通常，这些计算机是“经典”的，意味着它们的工作方式就像你桌上的笔记本电脑：它们一次处理一个步骤的信息，速度非常快，但如果拼图碎片过多或碎片过于复杂，它们就会感到力不从心。

量子计算应运而生。把它想象成一种全新的神奇拼图求解器。它的碎片（称为量子比特）不再仅仅是一个“是”或“否”的开关，得益于一种被称为叠加的奇特物理现象，它们可以同时处于多种状态。它们还可以被“纠缠”，这意味着它们相互关联，无论相隔多远，改变其中一个都会瞬间影响另一个。科学家们希望这种魔力能让他们在几秒钟内解开那些最不可能的医学难题，这个梦想被称为量子优势。但这里有一个大问题：这种魔力现在对医学数据是真实的吗？还是它只是一个尚未学会招式的闪亮玩具？

这篇论文是一次严肃的现实检查。来自 Cascade Quantum Inc. 的一个团队决定停止猜测，开始测试。他们建立了一个公平的“竞技场”，将他们最好的量子模型与最好的经典模型进行对决，使用的是来自三种不同类型医疗记录的真实癌症数据：简单的细胞测量电子表格、复杂的基因“组学”数据以及医学图像。他们使用了一种称为**位-位编码（bit-bit encoding）**的特殊方法，将杂乱的生物数据转化为量子计算机能够理解的语言，并且他们确保经典计算机也获得了相同的翻译和最佳设置以求获胜。

结果如何？在运行了数千次模拟后，作者发现没有证据表明量子模型的表现优于经典模型。事实上，量子模型的表现与经典模型几乎完全相同，而且两者都无法稳定地超越它们可能达到的理论准确度极限。论文指出，目前使用的数据集规模太小且过于简单，无法展示出量子计算机的超能力。这就像是在一条安静的社区街道上测试一辆一级方程式赛车；赛车很棒，但路面还不足以挑战它，无法证明它的实力。作者总结道，要看到真正的“量子优势”，我们需要找到更大、更复杂且更真实的生物数据集，而这些数据目前很难获取。在此之前，经典计算机依然能保持自己的地位。

技术摘要：肿瘤学数据上的量子与经典机器学习模型基准测试

问题陈述
机器学习正越来越多地应用于肿瘤学数据的检测、诊断和治疗。然而，生物数据呈现出独特的挑战，包括高维性、样本多样性有限以及复杂的特征交互（即“维度之咒”）。虽然量子机器学习（QML）在理论上被提议在处理此类复杂、高维数据方面具有优势，但目前仍缺乏严谨的实证评估来证明其实际的量子优势。现有的研究往往无法区分性能限制究竟源于优化问题（例如，贫瘠高原/barren plateaus、局部极小值）、内在的模型表达能力，还是数据编码方案。此外，先前研究中的经典基准模型通常使用固定的超参数进行训练，这使得人们质疑其是否已实现最优性能。

方法论
作者开发了一个严谨的基准测试框架，用于在表格、组学和空间肿瘤学数据集上公平地比较量子机器学习（QML）与经典机器学习（CML）模型。该研究利用了 Red Cedar 量子机器学习框架和经过 AutoML 优化的经典神经网络。

数据集： 研究评估了三类数据：
1. 表格数据： 威斯康星州乳腺癌诊断（WDBC）数据集。
2. 组学数据： 来自癌症基因组图谱（TCGA）的乳腺癌（BRCA）、结肠癌（COAD）和卵巢癌（OV）的基因组 mRNA 表达数据。
3. 空间数据： 来自 MedMNIST 的医学影像数据集（BreastMNIST、PathMNIST、DermaMNIST）。
预处理： 作者测试了多种预处理策略，包括针对表格/组学数据的随机森林特征选择，以及针对空间数据的 ResNet18 特征提取。
量子模型：
- 编码： 研究采用了 bit-bit 编码，这是一种将样本经典编码为对应于量子比特初始化和读取的比特的方法。这种方法提供了通用逼近属性，使模型在理论上能够实现 100% 的训练准确率，而不受表达能力限制。
- 架构： 一种层级化的双分架构，在标签量子比特与数据量子比特之间设有参数化纠缠节点。
- 训练： 模型使用 Red Cedar 框架的**子网络初始化（sub-net initialization）和精确坐标更新（exact coordinate updates）**进行训练。这种增量热启动策略避免了贫瘠高原问题，并消除了对经典优化器的需求。训练持续进行，直到达到 100% 的训练准确率或达到五天的时限。
经典基准：
- AutoML： 使用 TPOT2 库来进化最优神经网络架构和超参数，以确保经典基准模型并非处于欠优化状态。
- 比较阶段： 经典模型分别在原始数据、预处理后的数据以及 bit-bit 编码数据（包括预离散化和离散化后的数据）上进行训练，以确保跨数据表示的公平比较。
资源估算： 计算了一个理论指标 $Q_{dataset}(1.0)$ 。它代表了编码一个数据集所需的量子比特数，使得实现 100% 的训练和测试准确率在理论上成为可能（即在离散化空间中不存在碰撞）。基于经典模拟能力的平台期，研究采用 50 个量子比特作为衡量潜在量子优势的启发式阈值。

关键结果

无量子优势证据： 在所有测试的数据集（WDBC、TCGA 组学和 MedMNIST 空间数据）及预处理方法中，量子模型均未表现出优于 AutoML 优化的经典神经网络的性能。两类模型的测试准确率在标准误差范围内在统计学上是不可区分的。
训练性能： 所有量子模型都成功达到了 100% 的训练准确率，证实了训练方法有效地避免了诸如贫瘠高原之类的优化陷阱。因此，缺乏量子优势不能归因于训练失败。
泛化能力： 随着量子比特数量的增加，量子模型和经典模型都未能一致地达到理论上的最大测试准确率，尤其是在数据集复杂度较高的情况下。
资源估算发现：
- WDBC 与组学数据： WDBC（~~14–15 个量子比特）和组学数据集（~~15–20 个量子比特）的 $Q_{dataset}(1.0)$ 值均远低于 50 个量子比特的阈值，表明这些数据集不太可能成为量子优势的候选对象。
- 空间数据集： 部分空间数据集（例如展开后的 BreastMNIST）接近或超过了 50 个量子比特的阈值，但结果在不同的预处理方法（如 ResNet18 与展平处理）之间表现不一致，且通常归因于数据处理伪影而非内在复杂度。
对预处理的鲁棒性： 资源估算框架对预处理具有鲁棒性；对于组学数据，尽管随机森林特征选择减少了 99.8% 的特征，但 $Q_{dataset}(1.0)$ 在预处理前后在统计学上仍不显著。

意义与主张
本文声称建立了一个更严谨的评估量子优势的框架，通过系统分析模型规模的性能缩放，并采用公平的、经 AutoML 优化的经典基准。主要结论是：当前量子机器学习文献中的基准数据集并未表现出量子优势的证据，特别是在肿瘤学分类领域。

作者认为，该领域必须超越现有的这些基准。他们指出，迈向实际量子优势的有意义进展，需要分析更高维度、更具生物学真实性的数据集（例如多组学、多模态或时间序列数据），这些数据需要具备足以利用量子计算特性的表征能力和高阶交互作用。该研究强调，目前缺乏可获取的、复杂的开源生物学数据，是阻碍生命科学领域展示量子效用的主要障碍。

类似论文