在具有福克基底测量的模拟玻色量子神经网络中训练参数相互作用

用量子波进行智能学习

现代人工智能运行在由晶体管和数字代码构成的神经网络上。本研究探索了一种截然不同的硬件：由遵循量子力学规则的微小振荡电磁场构成的系统，这类硬件能否经过训练来识别数据中的模式。该工作展示了如何以实用的方式设计并训练这种量子神经网络，使其最终能够在未来的量子机器中直接处理信息。

一种新型的量子“大脑”

作者关注由类光激发（称为玻色子）组成的系统，这些激发被存储在微波或光学谐振器中。这些谐振器可以交换能量，并在外部驱动下产生成对粒子。单看这些相互作用，它们由线性方程描述，通常过于简单，无法实现强大的学习能力。这里的关键技巧是保持物理演化为线性，但使用光子计数来读出系统，光子计数天然会引入非线性响应。通过精心选择如何驱动和耦合谐振器，量子器件表现得像一个模拟神经网络，将输入数据映射为有用的输出特征。

让经典计算机处理难点

训练常规神经网络依赖反向传播，这是一种通过沿损失函数的梯度高效调整参数的方法。将这一想法直接应用于大型量子系统通常不可行，因为模拟其完整动力学会很快变得难以处理。本工作中的创新是利用所谓高斯态的特殊结构，其中均值和涨落的演化可以简洁地描述。量子硬件将执行前向步骤、演化物理场，而对同一高斯动力学的经典模型——易于模拟——则用于计算梯度。这种混合策略允许对物理驱动强度和耦合进行端到端训练，而无需从量子器件本身提取梯度信息。

教会器件识别模式

为了测试方法，研究者模拟了若干难度递增的学习任务。首先，他们要求一个由两个谐振器组成的小网络区分作为短时间序列呈现的正弦波和方波信号。仅通过测量在每次输入后某一谐振器为零光子的概率，并对物理参数进行基于梯度的训练，模型达到了完美分类。与同一硬件的未训练“水库”版本（使用许多输出读数）相比，训练后的网络需要的测量量远少，且达到相同精度所需的实验次数也少很多。

找到最佳的数据输入方式

团队随后研究了一个经典的困难问题：平面上点必须被分配到两个相互交错的螺旋之一。该任务要求强非线性。使用四个耦合谐振器，他们比较了将两个输入坐标编码到物理控制中的几种方式，例如驱动信号的幅度或相位以及不同耦合过程的参数。他们发现，将数据嵌入到一种产生光子对的特殊相互作用的强度或相位中具有特别强烈的效果，能够在仅读取一个光子概率的情况下实现完美分类。其他编码选择则需要更多的测量输出，或永远无法达到完全准确。这表明，数据写入量子器件的方式在很大程度上塑造了其有效非线性。

从手写数字到未来设备

最后，作者处理了一个小规模图像识别任务，涉及以8 × 8像素网格表示的手写数字。使用六个谐振器和多个成对生成过程，他们在多个时间切片中输入像素，这一策略类似于用新数据重复呈现相同的量子电路。在训练了数百个物理和经典参数后，模型在测量仅有限的光子计数输出的情况下，对未见过的数字实现了超过97%的分类准确率。相比之下，当同一硬件被用作未训练的水库时，即使测量更多，性能也远低于此，强调了优化物理相互作用的优势。

这对量子技术的重要性

该研究表明，由线性演化的玻色模构成的网络，结合非线性的光子计数，既可以具有表达能力，又可以使用熟悉的梯度工具进行训练。尽管目前的工作依赖经典模拟来指导训练，因此规模受到限制，但其基本要素与现有的超导和光子平台高度契合，这些平台已经支持可调的参数化耦合。这为朝着能够以量子方式处理信息且能够像当今神经网络一样被训练的现实量子硬件打开了可行路径，可能成为未来量子传感器和处理器的智能前端。

引用: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

关键词: 量子神经网络, 玻色模, 高斯动力学, 光子计数, 量子机器学习