标准化量子晶体管模块使步态动力学的可微学习成为可能

将行走模式转化为早期健康线索

行走看似轻松，但我们的运动方式携带着大量关于健康的隐含信息，尤其对多发性硬化等疾病患者而言更是如此。本文探索了一种适用于量子启发计算的新型构建模块——“量子晶体管”，并测试由这些模块构成的网络能否可靠地从智能袜采集的数据中识别行走模式。作者并未追求惊艳的量子加速，而是着眼于更接地气的目标：创建一个标准化、易于理解的组件，工程师可以将其插入未来的混合经典–量子系统中。

一种用于量子电路的新型开关

在日常电子学中，晶体管充当微小开关，放大信号并使现代计算成为可能。它们之所以强大，不仅因为能工作，而且因为被标准化：设计者确切知道它们的行为、放大量以及何时饱和。本文提出了一个量子类比，称为量子晶体管（Quantum Transistor，简称 QT）。每个 QT 接受一个介于 −1 和 1 之间的数值输入，并产生一个同范围内的输出，使用的是一个简洁的两量子比特电路。在本文研究的特定版本中，该电路实际上并未将两个量子比特纠缠，这使得其行为易于分析，甚至可以在普通计算机上高效模拟。关键在于其输入—输出曲线平滑、有界且类似晶体管：输入的微小变化在可预测的中间区域被放大，而非常大的输入会使输出趋于平坦。

从袜子到决策的混合流程构建

为检验这一标准化量子模块在实践中的用处，作者解决了一个真实的临床问题：使用带传感的袜子检测多发性硬化患者的行走片段。袜子以高频率记录来自双脚的压力和运动信号。这些原始读数经过精确同步并转换为频谱图“图像”，展示了运动的频率成分如何随时间变化，这非常适合捕捉步态的规则节律。随后一个小型经典层将每个 40×12 的频谱图压缩为八个归一化数字，起到一种紧凑透镜的作用，在信号到达量子部分之前总结出最具信息量的方面。

像电路模块一样堆叠量子晶体管

在这个经典前端之上，作者构建了一个三层的量子晶体管网络，按 4–3–2 的模式排列：第一层四个 QT，第二层三个，第三层两个。每个 QT 消耗一个数并输出一个新数，层间链式连接，使得来自某层的选定输出直接馈入下一层对应的 QT。在这里研究的原型中，实际上只有贯穿各层的一个路径——每层的第二个 QT——真正影响最终决策；其余则用于监测和未来扩展。网络使用标准的基于梯度的方法训练，利用 QT 简洁的数学形式来计算精确导数。训练过程中，研究者观察到内部 QT 输出从饱和极值移动并稳定在敏感的中间范围，类似于经典晶体管被偏置到最能放大信号的工作点。

它识别步态的表现如何？

作者在一个精心整理的数据集上评估了基于 QT 的模型，该数据集中智能袜采集了真实世界活动，自动标注引擎使用频率分析识别持续的行走段。他们遵循严格的受试者感知交叉验证，确保训练中看到的人不会在测试中重复出现，并在验证数据上调整决策阈值以最大化 F1 分数（精确率与召回率的平衡）。在这一严谨设置下，QT 网络在未见受试者上的平均准确率约为 96%，F1 分数约为 0.93。具有相似可调参数数量的紧凑经典模型表现略好，而更大的神经网络——尤其是类 Transformer 的编码器——表现更优。值得注意的是，经典模型还享有更丰富的输入信息，因为它们直接在完整频谱图上操作，而不是在馈入 QT 堆栈的八个数字摘要上工作。

为什么量子晶体管仍然重要

尽管 QT 网络在该数据集上并未超越最强的经典方法，但这并非作者的目标。他们的主要成就是展示了一个微小、标准化的量子模块可以被赋予明确的输入—输出契约、可预测的增益以及简单的正确性测试，类似于经典晶体管。由于每个 QT 具有固定深度、有界输出以及描述其响应与噪声如何变形的解析公式，硬件和软件团队可以以透明的方式推断资源需求、标定和鲁棒性。这使得 QT 模块成为未来混合系统的有前景基础，尤其在已存在量子传感器或量子数据且可靠性与可解释性与原始精度同样重要的场景中。

引用: Villalba-Díez, J., Ordieres-Meré, J. Standardized quantum transistor block enables differentiable learning on gait dynamics. Sci Rep 16, 9506 (2026). https://doi.org/10.1038/s41598-026-40424-7

关键词: 量子晶体管, 变分量子电路, 步态分析, 可穿戴传感器, 混合经典–量子模型