在 QAOA 中利用量子混沌诊断以增强混合量子-经典深度学习分类

为何混沌能帮助计算机“看见”

现代计算机正在借助量子物理来识别诸如手写数字之类的数据模式。但量子电路可能表现出令人意外的剧烈行为，设置的微小变化会导致输出发生巨大改变。本研究提出了一个简单问题：与其对抗这种“混沌”行为，能否测量它并将其转化为有用信号，从而帮助混合量子–经典系统更准确地进行图像分类？

对一种流行量子算法的新诠释

研究者基于量子近似优化算法（QAOA）展开工作，该算法最初用于求解被称为优化问题的复杂数学难题。在此处，QAOA 被重新用作一种量子透镜，将普通数据转换为更丰富的量子结构，然后由经典神经网络做出最终预测。由于 QAOA 层以结构化但复杂的方式对量子比特进行混洗和纠缠，所得电路的行为类似于混沌动力学系统：控制角的微小调整会强烈影响最终态。作者并未将此视为麻烦，而是深入研究，并尝试将其捕捉为可输入学习算法的单一数值特征。

在量子电路中“倾听”混沌

为了“倾听”这种混沌行为，团队使用了量子物理中的一种工具——时序无序相关函数（out-of-time-ordered correlator）。简言之，它追踪对电路某一局部位置施加的微小扰动如何在系统中传播并搅乱信息。作者沿着一维参数线改变 QAOA 角度的整体强度，记录这种搅乱量度如何起伏。曲线中凹陷的位置就像灵敏度的地标：当凹陷彼此靠近时，电路对微小变化高度敏感。通过研究跨越不同深度和参数选择的多个此类凹陷之间的间距，他们发现了一种遵循“对数正态”形状的特征统计模式，这是一种显示乘法性、类混沌增长过程的标志。

将混沌信号变为学习特征

在此分析基础上，作者设计了两种混合模型来对一小组平衡的 MNIST 手写数字图像进行分类。在标准设计中，图像被压缩为几个数值，通过一个在 4、6、8 或 10 个量子比特上的浅层 QAOA 电路处理，每个量子比特的平均测量结果作为输入馈入经典神经网络。在“混沌感知”设计中，他们增加了一项内容：从训练后电路的搅乱曲线中计算出灵敏度凹陷的典型间距，然后使用预先拟合的对数正态模型将该间距转换为标准化的“混沌得分”。这个得分是一个概括电路微妙调谐程度的单一数字，会在分类前附加到常规量子特征上。

发现量子“正好合适”的区间

通过一系列重复且配对的训练运行，仅对比是否包含混沌得分，两种模型被谨慎比较。对于 4、6 或 8 比特的小型电路，包含混沌得分的版本在测试准确率上始终更高，性能提升约 1.6 到 1.8 个百分点，并在绝大多数配对运行中胜出。最佳结果出现在 8 比特电路，加入混沌特征后在测试集上约达 90% 的准确率，并在每次比较中获胜。然而，当电路宽度增加到 10 比特时，附加的混沌得分开始产生负面影响，准确率相较标准模型下降。该模式表明存在一个“正好合适（Goldilocks）”的区间：电路表达能力足以从混沌反馈中受益，但又未敏感到变得不稳定。

这对未来量子学习机器意味着什么

对非专业读者来说，关键结论是：量子电路中的混沌不仅仅是控制上的威胁；如果被适当测量并明智利用，它也可以成为一种资源。通过将复杂的搅乱行为提炼为单一校准数值，作者为混合量子–经典模型提供了一个额外的调节钮，帮助将电路的丰富性与数据复杂度相匹配。在适度且无噪声的模拟中，这一额外调节提升了图像分类性能而无需改变整体架构。随着真实量子设备的扩大但仍存在不完善，这类混沌感知诊断可能成为调整电路深度与规模、设计更健壮误差策略并最终提高量子增强学习系统可靠性的实用工具。

引用: Villalba-Díez, J., Losada-González, J.C. Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification. Sci Rep 16, 15744 (2026). https://doi.org/10.1038/s41598-026-51870-8

关键词: 量子机器学习, QAOA, 量子混沌, 混合量子经典, 图像分类