💻 computer science

Uncertainty-Aware Variational Quantum Feature Learning for Reliable High-Dimensional Classification

本文介绍了不确定性感知变分量子特征学习（UVQFL），这是一种通过将自适应特征加权和不确定性估计集成到变分量子编码中，从而增强高维分类可靠性的混合框架，并在 MNIST 数据集上实现了 84.62% 的最佳验证准确率。

原作者： Syed Basha Shaik, Srihari Varma Mantena, Shaik Janbhasha, V. Malsoru, Ravikiran Reddy Kandadi, RADHAKRISHNAN S, Santhi Tadikonda

发布于 2026-08-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Syed Basha Shaik, Srihari Varma Mantena, Shaik Janbhasha, V. Malsoru, Ravikiran Reddy Kandadi, RADHAKRISHNAN S, Santhi Tadikonda

原始论文采用 CC BY 4.0 许可（https://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，你正在试图教一个机器人识别图片，比如分辨猫和狗。长期以来，我们一直使用“经典”计算机来做这件事，而且它们已经做得非常出色了。但现在，科学家们正尝试使用一种新型的计算机，叫做量子计算机。这些机器既奇特又神奇；它们不像使用简单的“开”或“关”开关，而是使用可以同时处于多种状态的微小粒子。这使得它们能够看到常规计算机可能会错过的模式。

然而，这里有一个问题。我们现在的量子计算机就像是拥有超能力的幼儿：它们很有力量，但也非常嘈杂且容易出错。当它们观察一张图片时，可能会被“噪声”搞糊涂，从而对所见之物产生模糊、不确定的描述。如果你把一个混乱的描述交给决策者，他们可能会做出错误的判断。这正是这篇论文要解决的大问题：我们如何确保量子计算机在做出决策之前，对它所看到的东西是有信心的？ 研究人员想要构建一个不仅能观察图片，还能在继续下一步之前询问“我对这个有多确定？”的系统。

带着“信心计”的量子侦探

在这项研究中，一个研究小组构建了一个特殊的混合系统——一个由常规计算机和量子计算机组成的搭档，用以解决量子数据“不确定”的问题。他们将这项新发明称为不确定性感知变分量子特征学习（UVQFL）。

把这个过程想象成侦探在破解谜案。通常，侦探（计算机）收集线索（图像特征），然后立即尝试破案。但如果有些线索是模糊的、伪造的，或者纯粹是令人困惑的呢？如果侦探把一个模糊的污点当作清晰的指纹一样对待，他们可能会得到错误的答案。

研究人员意识到，大多数量子系统表现得就像从不质疑其线索的侦探。它们将每一条信息都视为同等重要，即使其中一些信息很可能由于量子机器的“噪声”而出现错误。为了解决这个问题，该团队在他们的侦探团队中加入了两个新的“智能过滤器”：

“信心过滤器”（自适应特征置信度模块）： 在量子计算机观察图片之前，这个过滤器会检查线索。它会问：“这条信息有多重要？”如果一条线索看起来很弱或不重要，过滤器就会调低它的音量。如果一条线索强而清晰，它就会调高音量。这确保了量子计算机能够专注于图像中最好的部分。
“不确定性计”（不确定性估计模块）： 在信心过滤器完成工作后，这个计器会检查系统的确定程度。如果系统对某个特定线索感到犹豫或不确定，这个计器会进一步降低它的权重。这就像是一个侦探在说：“我不百分之百确定这个影子，所以我们不要把整个理论建立在它上面。”

一旦这些过滤器清理完数据，这些“纯净”且“有信心”的线索就会被交给量子计算机。量子计算机利用其特殊能力将这些线索转化为一种新的、高维的“量子指纹”。最后，一个经典计算机（普通的计算机）接收这个量子指纹并做出最终决定：“这是一只猫！”或者“这是一只狗！”

结果：这个“信心计”有效吗？

研究人员在著名的 MNIST 图片集上测试了他们的系统，该数据集包含 70,000 个手写数字（0 到 9）。他们想看看添加了“信心”和“不确定性”过滤器是否真的能帮助系统更好地识别数字。

首先，他们构建了一些没有这些特殊过滤器的“基准”团队，仅仅使用不同规模的量子计算机（具有 4、6 或 8 个“量子比特”，即量子版本的开关）。他们发现，更大的量子计算机表现更好，其中 8 量子比特的版本达到了约 81.29% 的准确率。

然后，他们加入了特殊的过滤器。

第一个版本（仅包含过滤器） 达到了 81.06% 的准确率。这很有趣，因为这表明即使不扩大量子计算机的规模，通过先清理数据，我们也能让系统变得更可靠。
最终的“增强版” 加入了一个更聪明、更深层的“大脑”（一个更复杂的经典分类器）来处理清理后的量子数据。这个团队赢得了比赛，达到了 84.62% 的准确率。他们还测量了精确率、召回率和 F1 分数，结果都落在 84.6% 左右。

这意味着什么（以及它并不意味着什么）

主要的启示是，在数据进入量子计算机之前对其进行清理会带来巨大的差异。 通过教系统忽略不确定或有噪声的线索，研究人员使整个团队变得更加可靠。这不仅仅是关于拥有一个更大的量子大脑，更是关于拥有一种更聪明的方式来向那个大脑喂送信息。

然而，有几点重要的注意事项。论文明确指出，这些结果是使用模拟器（一个假装是量子计算机的计算机程序）而非真实的物理量子机器获得的。现实中的量子计算机目前非常嘈杂且容易出错。作者们建议，他们的方法可能有助于真实机器更好地处理这些噪声，但他们尚未在实际硬件上进行测试。他们还指出，虽然他们的系统在识别数字方面表现出色，但它并不是试图击败世界上最优秀的标准计算机程序（这些程序在识别这些数字时可以达到 99% 以上的准确率）。相反，他们是在证明这种“不确定性感知”的方法是一种更有前景的方式，用于构建更好的混合系统，特别是在我们仍受限于现有的、充满噪声且不完美的量子计算机时。

简而言之，论文表明，如果你想让量子计算机成为一名优秀的侦探，你不应该只是给它一个更大的放大镜；你还应该教会它信任自己的眼睛，并忽略那些模糊的部分。

技术摘要：用于可靠高维分类的感知不确定性变分量子特征学习

1. 问题陈述

使用混合量子-经典学习进行高维分类面临着关于特征可靠性的重大挑战。传统的变分量子特征学习（VQFL）方法通常对所有输入特征赋予相等的权重，并且缺乏显式考虑特征不确定性的机制。在实际场景中，量子特征表示可能会受到来自量子噪声、有限的量子比特资源、变分优化问题以及复杂数据分布所带来的不确定性影响。无论特征是否可靠都对其一视同仁，可能会降低分类的鲁棒性和泛化能力，尤其是在医疗图像分析等安全至上的应用领域。此外，现有的混合模型通常依赖于浅层经典分类器，可能无法充分利用经过精炼的量子特征中所包含的判别性信息。

2. 方法论

本文提出了**感知不确定性变分量子特征学习（UVQFL）**框架，这是一种旨在增强分类前量子特征表示可靠性的混合架构。该框架通过一个包含五个不同阶段/模型的统一流水线运行：

2.1 数据预处理与降维

输入图像（来自 MNIST、Fashion-MNIST 和 PathMNIST）经过归一化和展平处理。由于当前含噪声中等规模量子（NISQ）设备有限的量子比特资源，采用**主成分分析（PCA）**将高维图像向量（784 个特征）降维至与量子比特数匹配的低维向量（4、6 或 8 个主成分）。

2.2 基准混合 VQFL

建立了三个基准模型以评估量子电路维度的影响。这些模型利用：

角度编码（Angle Encoding）： 将降维后的特征向量映射为量子比特旋转角度。
变分量子电路（VQC）： 由参数化的单比特旋转门（$RY$, $RZ$）和纠缠操作（线性拓扑中的 CNOT 门）组成。
经典分类器： 用于最终预测的标准神经网络。
这些基准模型（4、6 和 8 量子比特配置）作为所提改进方案的参照。

2.3 提出的 UVQFL 架构

其核心创新在于在量子编码之前插入感知不确定性的模块：

自适应特征置信度模块（AFCM）： 该模块用于估计输入特征的相对重要性。它应用一个可训练的权重矩阵和 Sigmoid 激活函数来生成置信度权重（ $C \in [0,1]^d$ ）。随后对输入特征进行逐元素加权（ $X_c = C \odot X$ ），以强调具有判别性的特征并抑制信息量较低的特征。
不确定性估计模块（UEM）： UEM 没有使用计算成本高昂的概率方法（如贝叶斯推理），而是使用基于模型预测概率的确定性置信度边际得分（ $U = 1 - \max(P)$ ）。该得分会衰减置信度较低的特征表示（ $X_r = (1-U) \odot X_c$ ），从而在量子处理之前减少噪声或模糊数据的影响。
变分量子特征编码： 精炼后的、感知不确定性的特征（ $X_r$ ）通过角度编码被编码进 VQC。电路通过学习非线性变换并通过纠缠捕捉复杂的关联。
增强型经典分类器： 测得的量子期望值被输入到一个更深的、多层结构的经典神经网络中（结合了 ReLU 激活函数和 Dropout），以学习更具判别性的决策边界。

2.4 训练与优化

整个框架使用基于梯度的反向传播进行端到端训练。Adam 优化器（学习率 0.001）共同优化经典参数（AFCM、分类器）和量子电路参数。实验使用 PyTorch 进行经典组件的处理，并使用 PennyLane 在 MNIST 数据集上进行量子模拟（同时使用 Fashion-MNIST 和 PathMNIST 进行框架验证）。

3. 核心贡献

UVQFL 框架： 引入了一种混合框架，该框架集成了自适应特征置信度估计和不确定性感知特征精炼，以提高量子特征表示的可靠性。
自适应特征置信度模块（AFCM）： 一种在量子编码前估计特征重要性并对输入进行加权的机制，确保量子电路处理更高质量的数据。
不确定性估计模块（UEM）： 一个轻量级的确定性模块，通过基于预测置信度衰减不确定信息来精炼特征表示，避免了概率不确定性估计的计算开销。
增强型混合架构： 设计了一个专门优化的深层经典分类器，以充分利用精炼后的量子特征，证明了不确定性感知精炼与增加经典容量具有互补性。
系统性评估： 对量子特征维度（4、6 和 8 量子比特）进行了全面分析，并对比了基准模型、UVQFL 和增强型 UVQFL 模型的性能。

4. 实验结果

研究重点针对 MNIST 数据集进行详细性能分析，同时使用 Fashion-MNIST 和 PathMNIST 进行框架验证。

基准性能： 增加量子比特数提高了性能。8 量子比特混合 VQFL 基准达到了 81.29% 的准确率，优于 6 量子比特（67.44%）和 4 量子比特（65.80%）配置。
UVQFL 性能： 提出的 UVQFL 模型（包含 AFCM 和 UEM 但使用标准分类器）达到了 81.06% 的准确率。虽然略低于 8 量子比特基准，但它引入了一种在不增加量子电路复杂度的前提下评估特征可靠性的机制。
增强型 UVQFL 性能： 最终模型结合了不确定性感知精炼与更深的经典分类器，取得了最佳结果：
- 准确率（Accuracy）： 84.62%
- 精确率（Precision）： 84.60%
- 召回率（Recall）： 84.62%
- F1 分数（F1-Score）： 84.59%

结果表明，结合不确定性感知特征精炼和增强型经典分类器，比基准混合模型具有更优越的分类性能。

5. 重要性与声明

本文声称，这项工作的首要意义在于解决了混合量子-经典系统的可靠性问题。通过集成不确定性感知特征精炼，该框架提高了特征表示的质量，从而实现了更稳健的分类。

对最先进技术的适度声明： 作者明确指出，目标并非超越最先进的经典深度学习模型（这些模型在 MNIST 上的准确率通常超过 99%），而是研究在当前 NISQ 约束下进行不确定性感知混合学习的可行性。
互补性： 研究结果表明，不确定性感知学习与经典特征建模是互补的；在量子编码前精炼特征可以使更深的经典分类器更有效地利用判别性信息。
局限性： 作者承认实验是在无噪声量子模拟器（PennyLane）上进行的。他们指出，尚未模拟真实的 NISQ 硬件噪声（门误差、退相干），未来需要进一步研究以验证该框架在实际量子处理器上的鲁棒性。此外，本研究未进行消融实验以隔离 AFCM 和 UEM 的各自贡献。

总之，本文认为，将自适应置信度和不确定性估计集成到混合学习流水线中，是开发更可靠、更可信的量子机器学习系统（特别是在对特征可靠性要求极高的维度较高的分类任务中）的一个有前景的方向。