⚛️ quantum physics

Divide et Impera quantum neural networks for modular hybrid computing architectures

本文提出了一种针对量子神经网络的新型“分而治之”（divide et impera）训练协议，通过将其分解为更小的、可优化的组件来克服当前的硬件限制，并证明了其在模块化混合计算架构下处理现实世界能源与环境预测任务中的有效性。

原作者： Emanuele Casciaro, Fabio Mascherpa, Alfonso Amendola, Filippo Caruso

发布于 2026-10-08

📖 1 分钟阅读🧠 深度阅读

原作者： Emanuele Casciaro, Fabio Mascherpa, Alfonso Amendola, Filippo Caruso

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

当今世界正面临着计算领域的一个悖论。一方面，我们拥有庞大且耗能的超级计算机和人工智能系统，它们正变得越来越难以维持。另一方面，量子计算开辟了一个新前沿，这项技术有望解决经典机器无法触及的问题。然而，现有的量子计算机仍处于婴儿期。它们非常脆弱，容易受到环境噪声的影响，且一次只能存储极少量的信息。这造成了一个瓶颈：最强大的量子算法通常需要目前尚不存在的更稳定的机器和更多的内存。研究人员被迫思考，如何在不等待可能还要数年之久的完美硬件的情况下，利用量子力学的潜力来处理现实世界的任务，例如预测交通或监测环境。答案不在于等待更好的机器，而在于改变我们使用现有机器的方式。

来自佛罗伦萨大学和 Eni S.p.A. 的一个研究小组提出了一种训练这些脆弱量子系统的新方法，他们称之为“分而治之”策略。与其试图强迫一台单一的、庞大的量子计算机一次性解决复杂问题——这种任务往往会因为噪声和内存限制而导致失败——他们选择将问题分解成更小、更易于管理的碎片。想象一下，尝试把一个沉重且笨拙的沙发搬上狭窄的楼梯；如果作为一个整体搬运，几乎是不可能的。但如果你能把沙发拆解成各个零件，分别搬运每一个，然后在顶端重新组装，这项任务就变得可行了。这就是他们方法的核心。他们获取一个大型数据集（例如关于电动汽车充电站或全球空气质量的信息），并将其切分为较小的子集。每个子集由一个较小、较简单的量子电路进行处理，这种电路出错的可能性较低。这些小型电路独立运行其计算，然后其结果由标准经典计算机缝合在一起，以形成最终的预测。

研究人员在两个截然不同的现实挑战上测试了这种方法。第一个挑战涉及预测巴黎 91 个电动汽车充电站的状态。数据包括时间、星期、特定位置以及当前插座的使用数量。第二个挑战是预测六个不同城市的全球空气质量指数，使用了包括一氧化碳和臭氧在内的各种污染物的测量值。在这两种情况下，团队都将他们的“分而治之”量子模型与传统的经典模型以及试图同时处理所有数据的单个大型量子模型进行了对比。结果令人瞩目。在充电站案例中，这种拆分方法优于特定的经典实现（包括顺序 Transformer 模型和标准的经典基准模型），同时使用了显著更少的参数，这意味着它不易对数据产生过拟合。它还比单个大型量子模型更稳定，后者在寻找数据路径时显得力不从心。即使研究人员模拟了真实量子硬件中的噪声条件，拆分模型也表现出了韧性，尽管性能有所下降：理想的无噪声模型得分率为 53.86，而引入比特翻转噪声后，误差得分增加到 68，而引入去极化噪声后则升至 60.8。尽管出现了这种下降，拆分模型的表现仍与无噪声和经典解决方案相当，展示了一定程度的误差缓解能力。

空气质量实验呈现了不同的障碍。由于数据非常复杂且特征之间深度交织，研究人员不能简单地将数据切开而不丢失意义。为了解决这个问题，他们首先使用一种数学技术将数据重新排列成一种新的格式，使不同的因素彼此独立。一旦数据经过重新组织，他们便应用了这种拆分策略。虽然在这种特定任务中，量子模型的表现并未超越最好的经典模型，但实验证明，该方法可以应用于此前被认为过于难以分解的问题。这表明，只要数据准备得当，该方法具有足够的灵活性来处理各种类型的数据。这项研究表明，这种模块化设计是量子机器学习一条可行的前进道路，它允许研究人员在无需等待下一代量子处理器的情况下，在当下就能应对更大、更复杂的问题。

这项工作的意义不仅限于实验中取得的具体数字。通过证明一个大型任务可以分布在多个小型量子电路中，研究人员展示了一种绕过当前量子比特数量和噪声限制的方法。这种方法允许计算工作被共享，潜在地使不同的量子处理器能够通过高速链路连接并并行工作。它将重点从构建一台能够做一切事情的单一、庞大的机器，转向构建一个由更小、更专业化的单元组成的网络，并让它们协同工作。该研究并非声称解决了量子噪声问题，也不是创造了完美的算法。相反，它提供了一个实用的设计原则：通过保持量子电路的小型化和简单化，并让经典计算机处理结合结果的繁重工作，我们可以让量子机器学习在当下成为现实。这种方法表明，混合计算的未来可能不在于让量子计算机变得更大，而在于让它们以更聪明、更模块化的方式协同工作。

技术摘要：用于模块化混合计算架构的分而治之量子神经网络

问题陈述

量子机器学习（QML）在嘈杂中型量子（NISQ）时代面临着显著障碍。虽然混合量子-经典模型展现出了前景，但它们受限于硬件限制，特别是噪声和有限的量子比特数。训练大型变分量子电路（VQC）往往会导致“贫瘠高原”（barren plateaus）现象，即随着量子比特数量增加，梯度呈指数级消失，从而导致优化失效。此外，由于计算梯度需要进行多次电路评估，训练成本随参数数量线性增加。现有的解决方案通常依赖于特定的电路拟设（ansatz）假设，或通过特征选择来降低问题维度，但这可能导致过度的信息丢失。目前缺乏一种通用且可扩展的方法，能够在不降低模型性能或不需要过大量子寄存器的情况下，在更大的问题上训练混合量子神经网络（QNN）。

方法论

作者提出了一种用于混合量子神经网络（QNN）的分而治之（divide-et-impera）训练协议。该方法将一个大型量子学习任务分解为由独立的、较小的 VQC 处理的更小、更易管理的子问题。

核心架构

特征分解： 输入向量 $x \in \mathbb{R}^N$ 根据索引集 $\{I_j\}$ 被划分为 $k$ 个子集。
并行量子处理： 每个子集 $x_{I_j}$ 由一个专门的、规模较小的 VQC（ $VQC_j$ ）处理，其量子比特数减少（ $q_i < Q$ ）。这避免了与大型电路相关的梯度指数级集中现象。
重构： 所有子电路的输出（量子嵌入）被拼接在一起。
经典后处理： 一个浅层的经典多层感知器（MLP）处理拼接后的嵌入，以产生最终预测 $\hat{y}$ 。

处理不可分解数据

对于特征无法自然分离的数据集（例如高度相关的全局特征），作者引入了一个使用主成分分析（PCA）的预处理步骤。PCA 将数据转换为一个新的空间，在该空间中特征是线性独立的，从而允许使用滑动窗口选择子集来喂入子电路。这种方法使得该方法能够应用于通用场景，尽管这是以一定的预处理开销为代价的。

电路设计

编码： 使用角度编码（Angle encoding）将输入数据映射到量子态。
拟设（Ansatz）： 变分层利用每个量子比特的 2-角度旋转和最近邻 CNOT 门进行纠缠。
数据重上传： 电路遵循数据重上传方案（类似于经典神经网络中的跳跃连接），以增强表达能力。
测量： 测量每个量子比特的期望值 $\langle Z \rangle$ 以生成嵌入。

实验设置

该方法使用 PennyLane 和 PyTorch 在两个现实世界的预测任务上进行了基准测试：

电动汽车（EV）充电站状态：
- 任务： 根据历史状态、时间和位置数据，预测巴黎 91 个充电站的占用状态。
- 分解： 特征被自然地划分为状态历史、时间趋势和空间坐标。
- 评估： 使用复合评分函数（ $L_1$ 范数）分别在站点、区域和城市层面评估预测结果。噪声韧性通过模拟 IBM QPU 错误率的去极化通道和比特翻转通道进行了测试。
全球空气质量指数（AQI）预测：
- 任务： 预测欧洲的 AQI（基于六个城市的污染物浓度：CO, CO2, NO2, SO2, O3, PM2.5, PM10）。
- 分解： 由于特征复杂度较高，应用了 PCA 来创建用于子电路的独立特征子集。
- 评估： 使用平均绝对误差（MAE）与标准 MLP 和统一 QNN 基准进行比较。

关键结果

电动汽车充电站

性能： 所提出的混合分而治之模型实现了 53.86 的得分，优于顺序式经典 Transformer 模型（57.58）和标准经典模型（65.03）。
效率： 与经典顺序模型（ $\approx 3 \cdot 10^6$ 参数）相比，该量子模型使用的参数显著减少（ $\approx 4 \cdot 10^4$ ），降低了过拟合风险。
噪声韧性： 在噪声环境下，该模型表现出了鲁棒性。虽然性能有所下降（去极化噪声得分为 60.8，比特翻转噪声得分为 68），但结果仍与无噪声和经典解决方案相当，这表明分解策略提供了一定程度的误差缓解。
比较： 分解后的方法优于“统一状态”和“顺序”量子变体，这表明将时间信息隔离到不同电路中可以产生更具韧性的表示。

全球空气质量

性能： 在这种复杂的非可分解设置中，基于量子的解决方案落后于经典解决方案。
PCA 的作用： PCA 预处理被认为是关键的赋能技术，它允许分而治之的方法应用于直接特征分离不可能实现的通用设置。这验证了该方法的灵活性，尽管伴随着较小的预处理开销。

意义与主张

本文声称贡献了一种通用的设计原则，旨在解决当前 NISQ 硬件在 QML 中的可扩展性和可训练性问题。

可扩展性： 通过将计算分布到较小的电路中，该方法允许在不需要单个大规模量子寄存器的情况下，在更大的问题上训练模型。
资源效率： 该方法降低了量子电路的深度和宽度，减轻了噪声积累和贫瘠高原效应，且不会限制可执行电路的类别。
模块化： 该架构旨在实现模块化混合计算，其中量子过程可以分布在多个 QPU 调用或未来互连的量子架构中。
实用性： 作者断言，该方法使得在现实世界任务（如能源和环境监测）中测试最先进处理器的 QML 算法成为可能，而这些任务此前由于硬件限制是难以实现的。

作者对空气质量的结果保持谦逊，承认虽然该方法使应用于通用设置成为可能，但在该特定数据集上，经典模型目前在原始预测性能方面仍具有优势。此外，他们指出噪声会导致性能下降，尽管分解策略有助于控制这种下降，并在测试的无噪声或理想化场景中，在不造成显著模型退化的前提下降低了训练成本和硬件要求。