⚛️ quantum physics

Quantum data loading from the learned shared structure of real signals

本文介绍了一种量子原生数据加载器，它通过从真实数据集中学习共享的低维结构，利用单一固定电路来准备信号，由于其所需的参数量在数据规模增加时保持不变，因此实现了比传统方法更优越的可扩展性和效率。

原作者： Pablo Herrero Gómez, Antonio Jimeno Morenilla, David Muñoz-Hernández, Higinio Mora Mora

发布于 2026-10-06

📖 1 分钟阅读🧠 深度阅读

原作者： Pablo Herrero Gómez, Antonio Jimeno Morenilla, David Muñoz-Hernández, Higinio Mora Mora

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

量子计算机有望比当今的机器更快地解决某些问题，但在它们能够开始运作之前，面临着一个顽固的瓶颈。要使用量子计算机，经典信息——如声波、医学图像或财务记录——必须首先被转化为量子比特的语言。这种被称为“状态准备”（state preparation）的过程极其困难。如果数据是任意且无结构的，该过程需要巨大的计算量，这种开销往往会抵消掉量子计算机随后可能提供的任何速度优势。标准方法将每一条新数据都视为一个独特的谜题，需要为每一个数据定制一套指令集。这使得整个过程变得缓慢且昂贵，尤其是随着数据的规模增长。

来自阿利坎特大学（Universidad de Alicante）的一个研究小组提出了一种不同的前进方向，这种方法依赖于这样一个事实：现实世界的信号很少是随机的。他们不再将每一条新信号视为一个全新的谜团，而是追问：一组相似的信号（如心跳或电流）是否共享某种隐藏的、共同的结构，而这种结构可以被学习并重复使用？他们的工作表明，通过识别这种共享结构，可以使用一套单一且固定的指令，将海量数据加载到量子计算机中。唯一随每条新数据而变化的是用于调整指令的一小撮数字。这种方法极大地减少了描述每条新信号所需的信息量，同时并未牺牲最终结果的准确性。

研究人员使用包含真实世界信号（包括心脏活动和工业电机电流记录）的五个公开数据集测试了这一想法。他们将数据划分为若干窗口，并尝试将其加载到量子模拟中。他们称之为“量子原生加载器”（quantum-native loader）的方法分为两个截然不同的阶段。首先，在“离线阶段”，系统分析大量的完整信号以寻找共享模式。它识别出一组特定的构建模块，这些模块可以描述该组内的所有信号，并学习一种数学规则，将几个简单的坐标映射到该组内任何信号的复杂细节上。一旦学习完成，系统就会冻结其配置。此时，“电路”（即量子计算机的指令集）变得固定不变。

在第二阶段，即“在线阶段”，系统遇到一条新信号。它不再从头开始分析整个信号，也不再构建新的指令集，而只是简单地将新数据投影到已学习的固定结构上。它计算出一组很小的坐标——仅有几个数字——并利用预先学到的规则，将这些数字转化为固定量子电路的具体设置。研究人员发现，对于每一条新信号，这种方法仅需大约13个数字即可描述数据，而现有的最强方法则需要超过80个数字才能达到相同的准确度。这种减少意义重大，因为这意味着经典计算机需要向量子计算机发送更少的信息来完成任务。

至关重要的是，研究人员表明，这种效率并不以增加量子计算机的工作量为代价。尽管新方法发送的数字较少，但量子电路本身使用的复杂双比特门（two-qubit gates）数量与现有的最强方法相近。事实上，两种方法的门使用量非常接近，以至于研究人员认为它们是不分伯仲的。优势完全在于接口：新方法要求用户提供更少的数据即可获得相同的结果。这是一个至关重要的区别，因为它表明瓶颈不在于量子硬件本身，而在于准备硬件所需的经典信息量。

该研究还探讨了一个更具挑战性的场景：如果系统无法获取整个信号，而只能获取其随机选择的部分时，会发生什么？在许多现实场景中，传感器可能会丢失数据点，或者传输是不完整的。研究人员测试了如果仅看到部分信号，该方法是否仍能奏效。他们发现，随着信号规模的增大，新方法维持准确度所需的观测数据点数量保持得非常稳定。无论信号是128个点还是2,048个点，该方法都需要观察大致相同数量的随机点才能获得良好的结果。相比之下，旧方法所需的观测数据量会随着信号规模的增大而显著增加。这表明，只要缺失的数据是随机分布而非形成大型连续缺口，该方法对信息缺失具有很强的鲁棒性。

然而，研究人员也谨慎地界定了其成功的边界。该方法仅适用于符合其所学习到的特定结构的信号。当他们用不符合已学习模式的心脏信号测试系统时，系统正确地拒绝了加载，而不是产生一个拙劣的近似值。这种“弃权”（abstention）是一种特性而非缺陷；它确保了系统仅在有信心达到高准确度标准时才运行。研究还指出，该方法在初始学习阶段需要完整的信号样本。它无法从部分数据中学习，也无法立即适应一个不在原始训练集中的全新类型的信号。

这些发现为使量子数据加载更具实用性提供了清晰的路径。通过将负担从量子计算机转移到预计算的经典学习阶段，研究人员证明了可以通过固定电路和极少的参数来加载复杂的现实世界数据。虽然这项研究并未在真实的量子硬件上运行电路，但对门计数和错误率的分析表明，该方法在噪声环境中仍能保持稳健，并保留其相对于精确、无结构加载的优势。这项工作并不声称解决了量子计算中的所有问题，但它提供了一个具体的证明：通过学习现实数据的共享结构，可以开启一条更高效的桥接经典世界与量子世界之间的路径。

技术摘要：基于实信号学习到的共享结构进行量子数据加载

问题陈述
从经典数据中准备量子态是作用于现实世界数据集的量子算法的一个基本瓶颈。虽然这些成本通常隐藏在预言机（oracle）假设中，但显式的态准备过程可能会产生成本（电路深度、双比特门计数以及累积误差），从而抵消下游量子加速的优势。任意态准备所需的资源随量子比特数量呈指数级增长。虽然结构化数据（例如平滑函数、低纠缠图像）可以通过专门的构造（如 Walsh、Fourier、张量网络）实现更高效的加载，但现有方法通常会为每个输入实例定制电路或选择系数。这导致每个实例的接口维度等于数据大小 ( $D$ )，需要处理完整的经典向量才能实例化量子态。本文研究了现实世界的信号是否共享一种可以进行离线学习的统计与物理结构，从而实现更低维度的接口，使得无需针对每个输入进行电路优化即可进行态准备。

方法论：量子原生加载器 (QNL)
作者提出了 QNL，这是一个学习数据集低维描述并使用单一固定电路拓扑来准备每个信号的框架。该方法分为两个阶段：

离线学习（拟合与验证）：
- 物理表示： 信号通过作用于均匀叠加态的对角幺正算符被编码为相位态 $|\psi_x\rangle$ 。目标是一个共享的 Walsh 支持集 $S$ （一组 Walsh 函数）。
- 潜空间： QNL 并非直接将完整窗口 $x \in \mathbb{R}^D$ 映射到电路参数，而是学习一个仿射解码器 $c(z) = b + Az$ 。其中， $z \in \mathbb{R}^r$ 代表低维潜坐标向量（ $r \ll D$ ），而 $c \in \mathbb{R}^K$ 代表 $K$ 个 Walsh 项的系数。
- 训练： 仅使用非线性生成族来初始化坐标并提议支持集。最终部署的模型严格为仿射模型。支持集 $S$ 的搜索与剪枝基于转译后的双比特门（CX）计数和统计部署契约。
- 选择： 如果模型在验证集上满足目标保真度 $F$ （误差 $\epsilon = \sqrt{1-F}$ ）且使用的门数少于精确准备，则被选中。如果未满足契约，该方法将放弃执行。
在线推理（测试）：
- 固定拓扑： 一旦选定，支持集 $S$ 、仿射映射参数 ( $b, A$ ) 以及电路拓扑将被冻结。
- 部分观测： 对于新的窗口，系统不需要完整的向量。它通过将观测到的位置 $\Omega$ 投影到学习到的子空间中，利用线性最小二乘法来估计潜坐标 $\hat{z}$ ： $\hat{z} = \arg\min_z \|x_\Omega - m_\Omega - B_\Omega z\|^2$ 。
- 参数生成： 电路系数计算为 $c = b + A\hat{z}$ 。这些系数用于设置固定的 Walsh 门电路的角度。无需完整的经典重构即可获得电路参数。

核心贡献

低维接口： 本文证明了现实信号占据一个低维族，其每个实例的接口维度 ( $r$ ) 显著小于电路接收到的系数数量 ( $K$ )。
固定电路拓扑： 与目标特定型加载器不同，QNL 对整个数据集使用一个固定的电路拓扑；仅根据推断的潜坐标改变门角度。
部分观测的可扩展性： 该方法允许从随机的经典数据点子集中进行态准备，而无需重新优化电路或重构完整信号。

结果
作者在五个公开数据集（PLAID, WHITED, Paderborn, HIFDA, PTB-XL）的七种视图下，针对窗口长度 $D \in \{128, \dots, 2048\}$ 对 QNL 进行了评估。

接口效率： 在等同的目标保真度（例如 99.50%）下，与共享静态 Walsh 基准（ $k \approx 77.2$ ）相比，QNL 仅需极少的样本特定数值（ $r \approx 13.4$ ）。基准系数与 QNL 坐标的几何平均比值为 5.25。
门成本对等： 尽管具有更低的维度接口，QNL 仍能与最强的共享 Walsh 基准在双比特门（CX）计数上达到对等。配对的 CX 比值在不同保真度下约为 0.97–1.01，处于声明的等效带宽 $[0.95, 1.05]$ 内。这证实了节省之处在于输入接口，而非电路复杂度本身。
观测位置的可扩展性： 在一项预注册的盲重复实验中，随着窗口大小从 128 增加到 2048，QNL 接近其全窗口精度（误差在 10% 以内）所需的随机位置数量 ( $Q$ ) 保持恒定（斜率 $\approx 0.08$ ）。相比之下，Walsh 基准所需的观测位置数量随之增长（斜率 $\approx 0.51$ ）。
覆盖范围与局限性： QNL 比基准方法更容易放弃执行，特别是在 PTB-XL 心电图数据集上，该方法在所有案例中均未能部署。这界定了该学习仿射族的经验适用范围。负对照实验（置换时间序列）表明，对于缺乏时间结构的数据，该方法表现得非常保守，不会进行部署。
噪声韧性： 解析估计表明，在门噪声下，QNL 和 Walsh 基准保持了相似的保真度，且两者都因较低的门计数而显著优于精确的对角加载。

意义与主张
本文声称 QNL 展示了一个具有低维接口且成本相当的量子电路，而非一个更便宜的电路本身。主要优势在于，只要信号属于学习到的族，即使通过随机观测，实例化量子态所需的经典位置数量也不会随窗口大小而增加。

作者对自己的主张保持谦逊：

他们并未声称可以实现任意向量的亚线性时间访问；该方法是分布式的，在学习阶段需要完整的示例。
他们并未声称能减少端到端的墙钟运行时间，因为并未对采集、推理和执行成本进行统一基准测试。
他们明确指出该方法在某些数据集（PTB-XL）上会失效，且仿射族可能不足以处理高度复杂的信号，这暗示了非线性解码器是未来的研究方向。
其结果仅针对相位编码和 Walsh 支持集；并不推广到所有的量子态准备方法。

总之，这项工作确立了对于具有共享结构的现实信号，可以通过学习一个固定的物理电路和一个低维潜空间，从而实现：无论信号的分辨率如何，都能通过常数数量的随机经典观测来准备量子态。

技术摘要：基于实信号学习到的共享结构进行量子数据加载

类似论文