✨ 要点🔬 技术摘要
在现代计算领域，一个全新的前沿正在开启，在这里，量子物理的奇特规则与人工智能的实际需求相遇。几十年来，科学家们一直知道量子系统——即利用亚原子粒子行为的机器——在理论上可以以经典计算机无法实现的方式处理信息。这些系统依赖于诸如叠加（粒子可以同时存在于多种状态）和纠缠（粒子之间相互关联，无论距离多远，其中一个的状态都会瞬间影响另一个）等现象。研究人员现在正试图构建“量子神经网络”，它们本质上是驱动当今人工智能的类脑计算机程序的量子版本。然而，一个重大的障碍仍然存在：目前的量子机器受限于它们读取自身结果的方式。它们通常一次只能测量系统的微小、孤立的部分，从而错过了存在于整个机器中的复杂且相互关联的模式。这种局限性就像试图通过一次只听一种乐器来理解一场交响乐；你听到了音符，却错过了和谐的旋律。
为了解决这个问题，一个研究小组开发出了一种新方法，允许这些量子计算机动态地观察全局。在最近的一项研究中，他们引入了一个名为 QFWP-ANO 的系统，即一种能够根据其处理的具体数据来学习如何编程自身测量方式的量子网络。传统的量子模型使用固定的输出测量方式，这意味着无论数据是什么，它们每次都会向数据提出同样的问题。然而，这种新方法使用一个标准的计算机程序来充当“指挥家”。这位指挥家观察传入的数据，并立即调整量子机器的内部设置以及测量最终结果的方式。该系统不再使用一把静态的尺子来测量每个物体，而是为遇到的每个特定物体构建一把定制的尺子，确保测量能够捕捉到最相关的细节。
研究人员在两种截然不同的挑战类型上测试了这个想法：预测复杂数据流中的未来趋势，以及教导虚拟智能体如何在迷宫中导航。在第一组实验中，他们利用该系统来预测来自现实世界电网的用电量和温度数据。他们将这种新方法与几种现有的模型进行了对比，包括其他先进的量子方法和强大的传统计算机程序。结果令人瞩目。在涉及四个不同数据集的二十个不同测试场景中，新系统在其中十六个场景中实现了最低的误差率，并在其余四个场景中排名第二。它始终优于之前的最佳量子方法，尤其是在任务需要远期预测时。数据表明，根据输入改变测量策略的能力是关键因素；仅仅调整量子机器的内部设置而不改变其输出测量方式，不足以达到同样的准确度水平。
第二组测试是在模拟环境中进行的，数字智能体必须学习如何执行任务，例如挥动机械臂到达目标或在网格中导航以寻找目标。在这里，目标是观察智能体学习成功的速度。该新系统再次证明了其优越性，始终优于旧的量子模型。更重要的是，研究人员发现该系统学习得更快。在其中一个特定任务中，新方法比标准模型更早地达到了其性能巅峰。这表明，通过允许量子机器根据具体情况调整其测量工具，它可以从更少的示例中学习，从而使训练过程更加高效。研究还探讨了测量复杂度如何影响性能。他们发现存在一个“甜点区”：同时测量适量的连接部分效果最好，而尝试测量过多或过少都会导致结果变差。
这项工作表明，量子计算机观察其自身状态的方式与其执行的计算同样重要。通过从固定的、一成不变的测量转向灵活的、由输入驱动的方法，研究人员展示了一条通往更强大的量子学习模型的清晰路径。研究结果表明，量子人工智能的未来可能不仅在于建造更大的机器，还在于教会它们如何以随时刻变化的方式观察世界。这种适应性使系统能够捕捉不同数据部分之间微妙的、非局域性的联系，而这些联系在标准的量子模型中是此前不可见的。随着这些技术的成熟，它们可能为量子计算机应对目前令我们最先进的经典超级计算机也感到难以应付的最复杂预测和决策问题铺平道路。
技术摘要：学习编程自适应非局部可观测量用于机器学习
问题陈述
量子神经网络（QNN）通常由变分量子电路（VQC）构建，但面临一个显著的瓶颈：它们依赖于局部测量 （固定的厄米算符）来提取经典信息。这种局限性限制了网络学习复杂数据分布以及捕捉远距离量子比特间相关性的能力。
最近的研究引入了自适应非局部可观测量（ANO） ，它使用可训练的多量子比特厄米算符取代了固定可观测量。虽然基于 ANO 的 VQC 在超分辨率和时间序列预测任务中展现出了潜力，但它们存在一个关键局限：它们学习的是一个单一的静态可观测量 ，该可观测量在所有输入下保持不变。因此，测量策略无法根据输入数据流的具体特征进行调整，这可能导致量子电路的表征能力无法得到充分利用。
方法论：QFWP-ANO
为了解决现有 ANO 框架的静态特性，作者提出了 QFWP-ANO ，这是一种使非局部可观测量具有输入条件化（input-conditioned）特性的新型架构。其核心创新在于将经典的 超网络（hypernetwork） （一种生成另一个网络参数的神经网络）与量子电路相结合。
架构组件
超网络机制 ：
一个共享的多层感知器（MLP）编码器将经典输入 x x x z z z
特定的解码器根据 z z z
一个线性层生成变分电路的旋转角度 θ \theta θ
一个独立的双层 MLP 生成自适应非局部可观测量 H ( ϕ ) H(\phi) H ( ϕ ) ϕ \phi ϕ
与以往积累时间记忆的量子快速权重编程器（QFWP）不同，QFWP-ANO 独立地映射每个输入，而不累积状态。
量子电路结构 ：
VQC 使用结合了 ANO 的**数据重上传（data re-uploading）**结构。
每个 D D D
参数化的 R z R_z R z R y R_y R y
用于纠缠的 CNOT 门环形拓扑结构。
用于重上传数据的 R y R_y R y R z R_z R z
测量 ：模型不采用单一固定可观测量，而是采用组合测量方案 。它计算所有 ( n k ) \binom{n}{k} ( k n ) k k k k k k
变体 ：
QFWP-ANO-R ：仅对旋转角度 θ \theta θ QFWP-ANO-O ：仅对 ANO 参数 ϕ \phi ϕ QFWP-ANO-RO ：同时对 θ \theta θ ϕ \phi ϕ
实验设置
作者在两个不同的机器学习任务上评估了 QFWP-ANO：
多元时间序列预测（MTSF） ：
数据集 ：四个电力变压器温度（ETT）数据集（ETTh1, ETTh2, ETTm1, ETTm2），具有不同的变量和时间分辨率。基准模型 ：与 MTSF-ANO（静态 ANO）、QuLTSF（量子长期预测）、强线性基准（DLinear, NLinear, Linear）以及标准 QFWP 进行对比。指标 ：均方误差（MSE）和平均绝对误差（MAE）。
强化学习（RL） ：
环境 ：Acrobot（摆动控制）和 MiniGrid-SimpleCrossingS9N1（稀疏奖励导航）。框架 ：作为异步优势行动者-评论家（A3C）智能体中的函数近似器嵌入。基准模型 ：与标准 ANO-VQC 智能体进行对比。变量 ：测试了带有和不带有可训练输入缩放因子 w w w
关键结果
多元时间序列预测
性能优势 ：在四个 ETT 数据集的 20 个设置中，QFWP-ANO 在 16 个设置中取得了最低 MSE ，在其余 4 个设置中取得了第二低。对比基准 ：在 20 个案例中有 17 个案例中，它优于静态 ANO 模型（MTSF-ANO）。变体有效性 ：编程可观测量（QFWP-ANO-O 和 QFWP-ANO-RO）被证明比仅编程旋转角度（QFWP-ANO-R）更有效。在 ETTm1 数据集上观察到最佳性能，在较长预测周期内，相比最佳基准提升了高达 6.6% 。非局部性分析 ：随着非局部性 k k k k ∈ { 2 , 3 } k \in \{2, 3\} k ∈ { 2 , 3 } k = 7 k=7 k = 7
强化学习
样本效率 ：在 Acrobot 环境中，QFWP-ANO 变体（特别是 -O 和 -RO）达到峰值性能的速度明显早于（大约在第 1000 个回合左右）ANO-VQC 基准，展示了更高的样本效率。持续优越性 ：在 SimpleCrossingS9N1 环境中，QFWP-ANO-RO 变体在整个训练过程中始终保持最高奖励。观察结论 ：编程非局部可观测量被认为是加速学习的关键因素。
意义与主张
论文声称，输入条件化的自适应非局部可观测量 代表了量子机器学习领域的重大进步。通过从静态可观测量转向动态可观测量，QFWP-ANO 克服了以往 ANO 框架的僵化性。
作者得出结论：
动态编程 ：利用经典超网络动态编程电路参数和非局部可观测量，是增强 QNN 的一种可行且有效的策略。测量自适应性 ：根据输入数据流调整测量策略（可观测量）的能力，在预测准确性和强化学习速度方面都带来了实质性收益。实用性 ：该方法建立了一条构建更强大的量子模型的新路径，这些模型能够更好地利用诸如纠缠和干涉等量子现象的表征表达力。
这项工作并非声称解决了所有 QML 的局限性，而是将输入条件化 ANO 定位为提高变分量子电路在复杂现实世界数据集上表现的一种极具前景的途径。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。