Quantum Computing through Computational Imaging: Representations, Measurement, and Inference

在现代科学领域，研究人员经常依赖复杂的数学模型，从不完整的数据中重建图像，例如从 X 射线阴影中拼凑出人体内部清晰的图像。这些模型将信息视为数字数组，其中每个条目都有特定的数值和特定的位置。一个新兴领域——量子计算，承诺以一种根本不同的方式处理这些庞大的数组。量子计算机不再将数字存储在网格中，而是使用被称为量子比特（qubits）的微小信息单位。这些量子比特可以处于叠加态，这意味着它们可以同时持有多种可能性的组合，并由被称为振幅（amplitudes）的数学值来描述。然而，这里有一个关键的限制：虽然可以通过操纵这些振幅来进行计算，但它们不能像电子表格中的条目那样被直接读取。当科学家观察结果时，量子态会坍缩成一个基于这些振幅所定义的概率的单一随机结果。这在量子机器强大的计算能力与人类实际需要从中提取的信息之间造成了鸿沟。

来自意大利和希腊机构的一个研究小组致力于弥合这一差距，特别是针对计算成像领域。他们认为，仅仅将成像问题转化为量子格式是不够的；必须仔细定义量子态代表什么、如何测量它，以及最终的决策究竟是什么。在他们的工作中，他们证明了将数据编码进量子系统的方式会改变你所获得答案的本质。他们展示了将原始图像数据作为振幅存储，与使用振幅来表示问题的可能解列表，这两者之间存在差异。通过一系列精心构建的示例，他们揭示了量子计算机可能会降低解的平均成本，但实际上并不会使最优解成为最有可能出现的解。对于任何希望利用量子机器解决现实世界成像问题的人来说，这种区别至关重要，因为它阐明了这些设备能够交付什么以及不能交付什么。

研究人员首先考察了在成像任务中使用量子计算机的两种截然不同的方法。第一种方法被称为振幅编码（amplitude encoding），即直接将图像像素的实际亮度值存储在量子态的振幅中。如果你有四个像素，你可能会使用两个量子比特来持有它们的值。然而，当你测量这个系统时，你并不会得到像素值。相反，你会得到一个随机选择的位置，而选择该位置的概率取决于像素的亮度。图像的原始尺度在此过程中丢失了，且对于重建至关重要的复相位信息也被隐藏了起来。第二种方法是研究小组在优化问题中所青睐的方法，在这种方法中，量子比特并不存储图像数据本身。相反，它们代表一个完整的候选解，例如一种对每个像素标记为背景或前景的具体方式。在这里，振幅代表了整个标记方案为正确答案的可能性。这种量子态含义的微妙转变改变了一切关于结果解释的方式。

为了测试这些想法，该团队构建了一个涉及需要进行分割（即分为两个区域）的四像素图像的小型具体场景。他们定义了一个数学目标，该目标奖励匹配像素亮度与阈值的行为，并惩罚相邻像素具有不同标签的行为。这创造了一个可能解的景观，每个解都有一个特定的“能量”或成本。随后，他们使用一种被称为量子近似优化算法（Quantum Approximate Optimization Algorithm）的算法来搜索最佳标记。该算法的工作原理是准备一个量子态，应用一系列操作根据每个解的成本来扭转振幅，然后通过混合它们来产生干涉。其目标是让最佳解比其他解出现得更频繁。

他们的模拟结果揭示了一个违反直觉的事实。在运行算法后，量子计算机产生的解的平均成本显著下降，从初始值 1.675 下降到了 0.686。这表明机器成功地找到了比随机猜测更好的解。然而，当研究人员观察出现频率最高的特定解时，他们发现，那个具有最低成本 0.375 的单一最佳标记方案，并不是出现最频繁的结果。相反，一个成本略高（为 0.675）的次优解出现得更为频繁。这种帮助降低平均能量的量子干涉实际上提升了一个次优答案出现的概率，使其超过了完美答案。这一发现挑战了这样一种假设：即降低系统的平均能量会自动使最优解成为最可能被观察到的解。

团队通过观察现有量子硬件（特别是来自 IBM 和 IQM 的设备）的真实测量数据进一步探索了这一点。他们分析了一个涉及六个像素、目标是决定两个区域之间特定边界的稍大任务。即使在真实硬件的噪声和缺陷存在的情况下，数据也显示出了在找到完美全局解与找到正确的局部边界之间的概率差异。在某些情况下，硬件更有可能得到正确的局部边界，而不是找到完美的全局解。这强化了这样一个观点：“最佳”答案完全取决于你提出的问题。如果你需要绝对的最佳全局配置，量子计算机可能会难以高效提供；如果你只需要一个可靠的局部决策，同一台机器可能会非常有效。

研究人员还利用这些例子阐明了量子计算机如何处理不确定性和信息。他们表明，要了解某种隐藏属性（如波的相位），不能依赖于单一类型的测量。正如摄影师可能需要从不同的光照角度拍摄照片才能看清物体的完整形状一样，量子科学家必须使用不同的测量设置，以解决单一视角无法检测到的歧义。他们证明了虽然局部测量可以提供关于系统一小部分的精确信息，但它们可能会导致全局图像出现歧义。只有通过结合互补测量的结果，才能重建完整的图像。

最后，论文探讨了这些量子方法是否实际上比经典计算机更快或更高效。作者谨慎地指出，对于他们研究的小型示例，经典计算机可以精确且瞬间解决这些问题。这项工作的价值不在于声称目前尚不存在的加速，而在于建立一个如何比较两者的清晰框架。他们认为，任何关于量子优势的说法都必须考虑整个过程：数据如何加载、电路如何构建、获取可靠答案需要运行多少次机器，以及最终结果如何解码。他们表明，准备量子态的成本和获得良好答案所需的采样次数（shots）与算法本身同样重要。

在结论中，该团队强调，量子成像的路径不是将每个问题都强行塞入量子模具，而是围绕实际需要的特定量来设计计算。无论是图像重建、像素间的特定相关性，还是关于边界的简单决策，所需输出决定了方法。通过将数据的表示与测量及最终决策分离，研究人员为工程师和科学家提供了一份路线图，以了解量子计算机能真实地返回什么。他们表明，虽然这项技术充满前景，但从量子态到有用的科学答案的旅程，需要对资源进行仔细核算，对目标进行清晰定义，并对机器实际能产生什么持有现实的预期。这项工作作为一个实用的指南，确保了对量子计算的热情是建立在对其能力和局限性的精确理解之上的。