融合經(jīng)典與量子：量子機(jī)器學(xué)習(xí)技術(shù)現(xiàn)狀與發(fā)展挑戰(zhàn)

李陽陽 鄧禹 劉煜森 戚政雅 劉蘊(yùn)恩 尚榮華 焦李成

西安電子科技大學(xué)人工智能學(xué)院，智能感知與圖像理解教育部重點(diǎn)實(shí)驗室，智能感知與計算國際聯(lián)合研究中心，陜西省量子信息協(xié)同創(chuàng)新中心，西安市類腦感知與認(rèn)知國際科技合作基地

一

引言

在數(shù)字化進(jìn)程持續(xù)加速的當(dāng)下，計算技術(shù)作為驅(qū)動科技演進(jìn)的核心支撐，正以前所未有的規(guī)模與速度深刻重塑社會各領(lǐng)域。尤其是人工智能模型日趨復(fù)雜、數(shù)據(jù)規(guī)模不斷增長，促使計算資源的需求呈指數(shù)式膨脹。這一趨勢直接推升了全球數(shù)據(jù)中心的能耗水平。據(jù)能源相關(guān)機(jī)構(gòu)預(yù)測，部分國家的數(shù)據(jù)中心在全國電力消耗中的占比將于短期內(nèi)出現(xiàn)顯著上升，給能源基礎(chǔ)設(shè)施與碳排放控制帶來深層挑戰(zhàn)。此背景下，傳統(tǒng)計算范式已顯瓶頸，行業(yè)亟需一種兼顧算力提升與能效控制的新型計算架構(gòu)，以支撐未來AI 的可持續(xù)發(fā)展。

量子計算作為一種基于量子力學(xué)基本原理的前沿技術(shù)，正在構(gòu)建一種與經(jīng)典計算截然不同的計算模式。傳統(tǒng)計算機(jī)以“比特”為基本信息單位，狀態(tài)僅為0 或1；而量子計算機(jī)以“量子比特”作為計算載體，其狀態(tài)可同時處于0 與1 的疊加態(tài)，并能通過量子糾纏在比特間建立遠(yuǎn)非經(jīng)典所能實(shí)現(xiàn)的關(guān)聯(lián)關(guān)系。這些獨(dú)特的物理性質(zhì)使量子計算在某些特定問題上具備并行性極強(qiáng)、計算復(fù)雜度顯著降低的潛力，尤其在大規(guī)模優(yōu)化、線性代數(shù)處理、概率分布建模等任務(wù)中展現(xiàn)出天然優(yōu)勢。同時，相較于傳統(tǒng)計算平臺，量子計算理論上可在能耗控制方面實(shí)現(xiàn)更高的效率，這為構(gòu)建“綠色智能芯片”提供了技術(shù)路徑，也使其成為推動未來AI 基礎(chǔ)架構(gòu)轉(zhuǎn)型的重要候選技術(shù)。

盡管當(dāng)前量子計算機(jī)尚處于發(fā)展初期，硬件規(guī)模與穩(wěn)定性仍面臨諸多技術(shù)挑戰(zhàn)，但其與人工智能的深度融合已成為學(xué)術(shù)與產(chǎn)業(yè)界重點(diǎn)關(guān)注的研究方向，即“量子人工智能”。從現(xiàn)有趨勢來看，可預(yù)期的計算架構(gòu)將呈現(xiàn)“量子-經(jīng)典混合”形態(tài)，其中經(jīng)典計算機(jī)依然承擔(dān)通用任務(wù)處理，而量子處理器將以加速器形式嵌入，在機(jī)器學(xué)習(xí)中承擔(dān)求解復(fù)雜優(yōu)化函數(shù)、建立高維概率模型等計算瓶頸環(huán)節(jié)。此混合模式不僅可充分發(fā)揮現(xiàn)有計算資源效能，還將漸進(jìn)式引入量子計算的新能力，在“增強(qiáng)而非替代”的思路下助力AI 系統(tǒng)性能實(shí)現(xiàn)躍升。

更進(jìn)一步，量子計算的引入不止意味著處理速度的提升，更意味著人工智能的表達(dá)方式和推理機(jī)制將發(fā)生范式級變革：例如支持更高維度的特征映射、更復(fù)雜的數(shù)據(jù)關(guān)聯(lián)建模，甚至可能啟發(fā)出區(qū)別于經(jīng)典機(jī)器學(xué)習(xí)的新一代算法體系。從能效提升到模型結(jié)構(gòu)重塑，量子計算為當(dāng)前困于摩爾定律約束的算力體系開辟出一條潛在突破路徑。它不僅回應(yīng)了算力增長與能耗控制之間的結(jié)構(gòu)性矛盾，也為理解復(fù)雜系統(tǒng)、探索科學(xué)極限提供了新的理論與工具支撐。因此，量子人工智能正逐步從前沿探索邁向工程實(shí)踐，成為未來計算技術(shù)體系演進(jìn)中的關(guān)鍵增長點(diǎn)，預(yù)示著一個更高效、更智能、更綠色的計算新紀(jì)元的到來。

二

經(jīng)典機(jī)器學(xué)習(xí)與量子計算概念

在上一節(jié)我們討論了算力瓶頸與能效挑戰(zhàn)正在驅(qū)動計算范式的革新，其中量子計算作為一種以物理原理為底層基礎(chǔ)的新型技術(shù)，正在與人工智能加速融合，形成“量子人工智能”的發(fā)展熱點(diǎn)。要理解這種融合的技術(shù)路徑與設(shè)計要點(diǎn)，首先需要對經(jīng)典機(jī)器學(xué)習(xí)的基本框架與量子計算的核心原理建立清晰的知識結(jié)構(gòu)。本節(jié)將分別介紹兩者的核心概念、表示機(jī)制與運(yùn)算邏輯，為后續(xù)探討量子機(jī)器學(xué)習(xí)方法打下基礎(chǔ)。

2.1經(jīng)典機(jī)器學(xué)習(xí)

經(jīng)典機(jī)器學(xué)習(xí)是一種基于數(shù)據(jù)驅(qū)動的建模方法，按照任務(wù)設(shè)定的不同，通常可分為三大類：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)與強(qiáng)化學(xué)習(xí)。三者在數(shù)據(jù)組織形式、優(yōu)化目標(biāo)以及學(xué)習(xí)流程方面存在顯著差異。

監(jiān)督學(xué)習(xí)依賴帶標(biāo)簽的數(shù)據(jù)樣本，模型通過學(xué)習(xí)輸入與標(biāo)簽之間的映射關(guān)系來完成預(yù)測任務(wù)。例如，在手寫數(shù)字識別中，圖像作為輸入特征，對應(yīng)數(shù)字則為標(biāo)簽。模型需不斷調(diào)整參數(shù)以最小化預(yù)測輸出與真實(shí)標(biāo)簽之間的誤差，從而提升泛化能力。該學(xué)習(xí)過程依賴“監(jiān)督信號”，即標(biāo)簽數(shù)據(jù)的指導(dǎo)，因此稱為監(jiān)督學(xué)習(xí)。

無監(jiān)督學(xué)習(xí)則處理無標(biāo)簽數(shù)據(jù)，重點(diǎn)在于發(fā)現(xiàn)數(shù)據(jù)內(nèi)部的潛在結(jié)構(gòu)與關(guān)聯(lián)。例如，將一組手寫圖像依據(jù)圖案相似性進(jìn)行自動聚類，無需預(yù)先標(biāo)注類別，而是通過計算樣本間的距離或相似度，構(gòu)建數(shù)據(jù)的聚合結(jié)構(gòu)。無監(jiān)督學(xué)習(xí)常用于數(shù)據(jù)降維、聚類分析與異常檢測等任務(wù)，強(qiáng)調(diào)結(jié)構(gòu)建模而非精準(zhǔn)預(yù)測。

強(qiáng)化學(xué)習(xí)適用于序列決策問題，模型在與環(huán)境交互過程中通過試錯探索出最優(yōu)策略。它通常引入獎懲機(jī)制，根據(jù)不同狀態(tài)—行動組合所獲得的回報反饋來更新策略，目標(biāo)是最大化長期回報。例如，圍棋智能體如AlphaGo，通過數(shù)百萬次對弈積累經(jīng)驗，最終形成在不同局面下的高質(zhì)量決策。強(qiáng)化學(xué)習(xí)強(qiáng)調(diào)長期回報與策略優(yōu)化，與監(jiān)督學(xué)習(xí)的靜態(tài)映射不同，更強(qiáng)調(diào)動態(tài)優(yōu)化與策略迭代。

這三類學(xué)習(xí)范式構(gòu)成了經(jīng)典機(jī)器學(xué)習(xí)的基礎(chǔ)框架，各自對應(yīng)不同的數(shù)據(jù)場景與任務(wù)類型。在后續(xù)構(gòu)建量子版本時，也需分別考慮其對應(yīng)的量子數(shù)據(jù)編碼方法、參數(shù)優(yōu)化機(jī)制與測量邏輯。

2.2量子計算概念

量子疊加：量子計算是建立在量子力學(xué)原理之上的新型計算模式，其核心差異體現(xiàn)在信息表示與計算原語的根本變化。量子比特作為基本信息單元，可同時處于多個狀態(tài)的疊加態(tài)，從而在狀態(tài)空間中提供比經(jīng)典比特更為豐富的表達(dá)能力。

以最基本的自旋1/2 體系電子自旋為例，電子自旋有兩個本征態(tài)(一般稱為“自旋向上”和“自旋向下”)，而電子可以處于這兩個本征態(tài)按照任意比例疊加的疊加態(tài)。一般可以用Dirac 符號

或列向量

來表示以a 和b 作為比例系數(shù)的疊加態(tài)。

在對電子自旋進(jìn)行測量的時候，電子會根據(jù)兩個本征態(tài)的占比來以某種幾率出現(xiàn)在某一本征態(tài)，即測量使得原本處于疊加態(tài)的電子“坍縮”到某一個本征態(tài)。如果電子處于的疊加態(tài)，那么測量將會有|a|2/(|a|2+ |b|2 )的幾率測得自旋向上，|b|2/(|a|2+ |b|2)的幾率測得自旋向下。

類似地，量子比特相比于經(jīng)典比特(只有和兩種狀態(tài))有無數(shù)種狀態(tài)(和的任意疊加)。量子計算就是利用了量子比特的這個特點(diǎn)來實(shí)現(xiàn)并行計算。兩個量子比特的量子態(tài)可以用類似的方式表示為：

量子比特的物理實(shí)現(xiàn)有多種方式，如IBM公司的超導(dǎo)量子比特，IonQ公司的離子阱量子比特等。

量子糾纏：進(jìn)一步地，量子糾纏描述了多個量子比特之間無法因式分解的非經(jīng)典關(guān)聯(lián)。糾纏態(tài)中的一方被測量后，另一方的狀態(tài)隨之變化，即使兩者在空間上相距甚遠(yuǎn)。

量子糾纏的概念最早來自愛因斯坦提出的EPR 佯謬，是量子信息處理中的獨(dú)特資源，在量子通信與量子算法中扮演核心角色。假設(shè)兩個獨(dú)立的自旋1/2 體系分別處于和的狀態(tài)，那么整個體系的量子態(tài)為

如果對體系1 進(jìn)行測量并且得到，那么整體的量子態(tài)變?yōu)?

可以看出體系2 的量子態(tài)不受體系1 測量結(jié)果的影響。這也符合直覺，因為兩個體系相互獨(dú)立。

然而，兩個自旋1/2 體系還可以處在諸如的“糾纏”態(tài)中。此時體系1 的測量結(jié)果會影響體系2 的量子態(tài)。這種多體系之間的糾纏現(xiàn)象是量子系統(tǒng)的獨(dú)有特征。

量子門：計算操作由量子門完成，它們是作用于量子態(tài)的幺正變換，和經(jīng)典電路中的邏輯門類似，量子邏輯門(簡稱為量子門)的作用是操縱量子比特的量子態(tài)。和經(jīng)典門不同的是，量子門都是可逆的，即可以從量子門的輸出推導(dǎo)出量子門的輸入。相反地，經(jīng)典邏輯門中的“或門”就沒有這個特點(diǎn)。

表1 列舉了一些基礎(chǔ)的量子門。

表1量子門及其屬性

量子門一般可以用矩陣來表示。例如Hadamard 門作用在態(tài)后得到

即Hadamard 將原本的態(tài)變?yōu)榱撕偷寞B加態(tài)。CNOT 門作用在兩個量子比特上，因此維數(shù)為4。

量子門的物理實(shí)現(xiàn)一般是通過激光、磁場等手段對物理量子比特進(jìn)行操縱。

三

數(shù)據(jù)編碼與量子變分線路

量子機(jī)器學(xué)習(xí)的核心在于搭建經(jīng)典數(shù)據(jù)與量子計算之間的連接橋梁，并借助可編程量子架構(gòu)實(shí)現(xiàn)計算加速。首先，量子數(shù)據(jù)編碼技術(shù)用于將經(jīng)典信息轉(zhuǎn)換為可操作的量子態(tài)，其編碼效率與保真度在很大程度上決定了計算潛力的上限；其次，變分量子電路通過參數(shù)化量子門序列構(gòu)建可調(diào)節(jié)的量子計算模塊，成為當(dāng)前含噪聲中等規(guī)模設(shè)備(NISQ)的主要載體；繼而，量子神經(jīng)網(wǎng)絡(luò)(QNN)在此基礎(chǔ)上構(gòu)建更復(fù)雜的架構(gòu)，在特征提取、時序建模與生成式學(xué)習(xí)等應(yīng)用中展現(xiàn)出顛覆性的潛力；此外，諸如量子退火的算法利用量子物理特性突破組合優(yōu)化中的瓶頸。上述模塊共同構(gòu)成“數(shù)據(jù)輸入→量子處理→結(jié)果輸出”的完整技術(shù)鏈條，其協(xié)同發(fā)展正引領(lǐng)量子機(jī)器學(xué)習(xí)逐步從理論探索走向?qū)嶋H應(yīng)用。下文將依次深入解析各技術(shù)模塊的原理基礎(chǔ)、發(fā)展路徑與研究突破。

3.1量子數(shù)據(jù)編碼

量子數(shù)據(jù)編碼的目的是將經(jīng)典信息轉(zhuǎn)化為可在量子電路中操作的量子態(tài)，目前主要采用三種方法對經(jīng)典數(shù)據(jù)進(jìn)行編碼(如圖1 所示)。

圖1量子編碼方式

量子角度編碼是一種將經(jīng)典數(shù)據(jù)直接映射為量子比特旋轉(zhuǎn)角度的編碼方式，其數(shù)學(xué)本質(zhì)是通過單量子比特門的操作完成從經(jīng)典數(shù)據(jù)到量子態(tài)的轉(zhuǎn)換。給定d 維經(jīng)典向量x =( x1,x2,…,xd ) ，其基礎(chǔ)編碼形式為：

其中是作用于泡利算符σ ∈{ X,Y,Z }的旋轉(zhuǎn)門，θj = f ( xj ) 為特征值至旋轉(zhuǎn)角度的映射函數(shù)。該編碼方式的優(yōu)勢在于其資源消耗呈線性增長(d 維數(shù)據(jù)需d 個量子比特)，電路深度低(僅使用單比特門)，使其在NISQ環(huán)境下具有極高的實(shí)用性。

振幅編碼是量子機(jī)器學(xué)習(xí)中理論表現(xiàn)最優(yōu)的數(shù)據(jù)編碼方法，其核心思想是將經(jīng)典數(shù)據(jù)嵌入到量子態(tài)的振幅系數(shù)中。設(shè)有歸一化的N維經(jīng)典向量x = ( x1,x2,…,xN) ，其量子態(tài)表示如下：

其中歸一化因子保證量子態(tài)的歸一性；每個基矢的振幅由向量元素與該因子的比值給出，其平方即為測量得到該基態(tài)的概率。此方法利用量子疊加原理，僅需個n = log2N 量子比特即可表示N 維數(shù)據(jù)，在量子機(jī)器學(xué)習(xí)、搜索與數(shù)據(jù)壓縮等領(lǐng)域具有廣泛應(yīng)用。盡管制備任意振幅的高精度量子態(tài)在實(shí)驗上仍存在技術(shù)挑戰(zhàn)，但其指數(shù)級的存儲效率為處理高維數(shù)據(jù)提供了獨(dú)特優(yōu)勢。

量子哈密頓編碼是一種將經(jīng)典問題(如優(yōu)化問題、約束滿足問題)中的目標(biāo)函數(shù)或約束條件轉(zhuǎn)化為量子系統(tǒng)哈密頓量的方法。該方法的核心是構(gòu)造一個哈密頓量H，使其本征態(tài)對應(yīng)問題的候選解，而本征值則映射為解的能量或目標(biāo)函數(shù)值。通過量子算法(如量子絕熱演化)尋找H的基態(tài)即可獲得最優(yōu)解。例如，在組合優(yōu)化問題中，哈密頓量可表示為約束項與目標(biāo)項之和：

H = Hconstraint + Hobjective (9)

其中約束項Hconstraint= ΣkckPk用于確保解滿足問題要求(ck為系數(shù)，Pk 為泡利算符組合)，目標(biāo)項Hobjective= ΣiwiQi量化解的優(yōu)劣(wi為權(quán)重，Qi 為泡利算符組合)。

3.2變分量子電路

變分量子算法(VVQA)是一種經(jīng)典與量子混合的計算框架，其核心流程是通過迭代優(yōu)化量子線路中的可調(diào)參數(shù)，不斷逼近目標(biāo)函數(shù)的最優(yōu)值，最終以量子態(tài)或可觀測量的期望值作為問題解 (參考圖2)。

圖2變分量子算法

其實(shí)現(xiàn)步驟包括：初始化量子態(tài)(通常為，特殊算法如 QAOA 使用)；構(gòu)建含隨機(jī)參數(shù)的初始量子線路；在預(yù)設(shè)可觀測量基礎(chǔ)上進(jìn)行量子測量以獲得目標(biāo)函數(shù)的當(dāng)前數(shù)值；利用經(jīng)典優(yōu)化器不斷更新線路參數(shù)以降低該值；最終使用最優(yōu)參數(shù)執(zhí)行量子線路以輸出解。該算法的三大關(guān)鍵組成要素是目標(biāo)函數(shù)的構(gòu)建、參數(shù)化量子線路的結(jié)構(gòu)設(shè)計，以及經(jīng)典優(yōu)化器的選擇。

3.3量子神經(jīng)網(wǎng)絡(luò)

量子神經(jīng)網(wǎng)絡(luò)(QNN)是一種融合量子計算機(jī)制與經(jīng)典神經(jīng)網(wǎng)絡(luò)理念的新型計算模型，其核心在于利用量子態(tài)的疊加性、糾纏性以及量子門的幺正性，構(gòu)建具有潛在量子優(yōu)勢的學(xué)習(xí)結(jié)構(gòu)。與經(jīng)典神經(jīng)網(wǎng)絡(luò)依賴神經(jīng)元之間權(quán)重傳遞的方式不同，量子神經(jīng)網(wǎng)絡(luò)通常以參數(shù)化量子線路(PQC) 為基本模塊，通過可調(diào)節(jié)的量子門(如旋轉(zhuǎn)門、糾纏門)實(shí)現(xiàn)對輸入數(shù)據(jù)的編碼、特征提取和態(tài)變換，再借助測量過程獲得經(jīng)典輸出，并結(jié)合經(jīng)典優(yōu)化器對參數(shù)進(jìn)行迭代更新以最小化損失函數(shù)。

從結(jié)構(gòu)角度來看，量子神經(jīng)網(wǎng)絡(luò)的基本組成包括量子神經(jīng)元、量子連接權(quán)重與量子激活函數(shù)。量子神經(jīng)元支持多參數(shù)聯(lián)合優(yōu)化；量子權(quán)重通過量子糾纏實(shí)現(xiàn)信息共享；量子激活函數(shù)則通過態(tài)變換實(shí)現(xiàn)非線性處理。輸入數(shù)據(jù)可通過振幅編碼或角度編碼等方式映射至量子態(tài)；中間層以量子門組合構(gòu)建高維特征空間的非線性變換，其表達(dá)能力可隨量子比特數(shù)量指數(shù)提升；最終輸出層通過對量子態(tài)的測量獲得任務(wù)所需的經(jīng)典量(如分類結(jié)果或回歸值)。

此類架構(gòu)在處理高維數(shù)據(jù)場景(如量子化學(xué)分子結(jié)構(gòu)、大規(guī)模圖像分析)中展現(xiàn)出多項式甚至指數(shù)級加速的潛力，在量子機(jī)器學(xué)習(xí)、優(yōu)化和圖模式識別等領(lǐng)域具有廣闊前景。當(dāng)前主要的量子神經(jīng)網(wǎng)絡(luò)模型包括基礎(chǔ)量子神經(jīng)網(wǎng)絡(luò) (QNN)、量子卷積神經(jīng)網(wǎng)絡(luò) (QCNN)參考圖3)等。

圖3量子卷積神經(jīng)網(wǎng)絡(luò)QCNN

當(dāng)前的研究重點(diǎn)包括：提升可訓(xùn)練性(如緩解“平坦高原”問題、擴(kuò)展適配的量子硬件平臺(如超導(dǎo)量子芯片、離子阱系統(tǒng))，以及開發(fā)與經(jīng)典神經(jīng)網(wǎng)絡(luò)融合的混合架構(gòu)(如量子-經(jīng)典混合深度學(xué)習(xí))。盡管受限于當(dāng)前硬件的噪聲與比特數(shù)，量子神經(jīng)網(wǎng)絡(luò)的實(shí)際性能仍處于逐步驗證階段，但其為突破傳統(tǒng)計算瓶頸、實(shí)現(xiàn)高效智能學(xué)習(xí)提供了嶄新路徑，已成為量子信息科學(xué)與人工智能交叉領(lǐng)域的研究熱點(diǎn)之一。

3.4量子退火算法

量子退火算法是一種利用量子隧穿效應(yīng)和量子漲落機(jī)制高效求解組合優(yōu)化問題的方法。其核心思想是將優(yōu)化任務(wù)轉(zhuǎn)化為伊辛模型下的哈密頓量基態(tài)搜索，其中每個自旋變量代表一個比特狀態(tài)(±1)，目標(biāo)函數(shù)被映射為哈密頓量的能量最小化問題。

算法流程包括：首先初始化量子系統(tǒng)為橫向磁場哈密頓量的基態(tài)，隨后緩慢調(diào)節(jié)量子參量(如逐步削弱量子隧穿強(qiáng)度、增強(qiáng)目標(biāo)哈密頓量的權(quán)重)，借助量子動力學(xué)演化過程中的隧穿效應(yīng)，使系統(tǒng)成功跨越勢能障礙，最終趨近于經(jīng)典優(yōu)化問題的最優(yōu)或近優(yōu)解。目前，該算法已在如D-Wave 等公司研制的專用量子計算機(jī)上投入實(shí)際應(yīng)用，覆蓋物流路徑規(guī)劃、金融風(fēng)險評估、藥物分子構(gòu)型優(yōu)化以及機(jī)器學(xué)習(xí)中的訓(xùn)練難題(例如量子玻爾茲曼機(jī)的權(quán)重調(diào)優(yōu))。其核心優(yōu)勢在于具備規(guī)避傳統(tǒng)優(yōu)化算法易陷入的局部極小值陷阱的能力，尤其適配NP 難問題。但其實(shí)際性能仍受限于量子比特連通性、噪聲干擾及問題映射精度等因素，是量子計算在優(yōu)化問題實(shí)用化進(jìn)程中極具潛力的關(guān)鍵技術(shù)路徑。

四

相關(guān)工作與研究現(xiàn)狀

下面簡要回顧量子機(jī)器學(xué)習(xí)的發(fā)展脈絡(luò)，并重點(diǎn)闡述當(dāng)前研究與應(yīng)用的現(xiàn)狀。整體上，量子機(jī)器學(xué)習(xí)包含兩條相互補(bǔ)充的路徑：一條是基于量子計算模型與量子硬件的“量子算法”；另一條是將量子物理思想與經(jīng)典智能優(yōu)化融合的“類量子算法(量子啟發(fā)式)” (參考圖4)。前者強(qiáng)調(diào)在量子硬件上實(shí)現(xiàn)理論可證明的加速或表達(dá)優(yōu)勢，后者在經(jīng)典計算平臺上通過“量子式”表示與機(jī)制提升搜索與學(xué)習(xí)能力。在當(dāng)前硬件仍處于NISQ 階段的條件下，這兩條路徑共同推動了理論、算法與應(yīng)用的協(xié)同進(jìn)展。

圖4研究歷程

4.1量子算法:從理論奠基到NISQ時代的混合范式

量子算法的探索始于1982 年費(fèi)曼提出“用量子計算機(jī)模擬量子系統(tǒng)”的大膽設(shè)想，猶如打開了一扇通往微觀世界的新窗。隨后，量子算法的早期階段(約1985~1994)以“展示量子潛在優(yōu)勢”為主要目標(biāo)：1985 年，Deutsch 在量子圖靈機(jī)模型中首次利用疊加與干涉描繪出量子計算框架的雛形。1992 年，Deutsch-Jozsa 算法以指數(shù)級速度驗證了量子并行性的潛力。1993 年，Aharonov 等人提出量子隨機(jī)游走，為后續(xù)游走算法奠定了理論基礎(chǔ)。1994 年，Simon 算法首次展示了多項式時間內(nèi)解決特定問題的能力。這個階段的算法多用于“概念性示范”，實(shí)用價值有限，但清晰地刻畫出量子并行性、干涉與測量對計算復(fù)雜度的影響路徑。

第二階段(約1994~2009 年)轉(zhuǎn)向“面向重要應(yīng)用問題的量子算法”。里程碑是1994 年 Shor 的大整數(shù)質(zhì)因數(shù)分解的量子算法，它把經(jīng)典上被視為難題的任務(wù)降到多項式時間，引發(fā)了對公鑰密碼體系安全性的系統(tǒng)性反思，并使量子傅里葉變換成為算法設(shè)計中的核心工具。1996 年，Grover 的無序搜索實(shí)現(xiàn)平方加速，形成“ 振幅放大”這一通用技巧。標(biāo)準(zhǔn)量子電路模型在此期間被系統(tǒng)化，算法與硬件抽象層面逐步統(tǒng)一；與機(jī)器學(xué)習(xí)相關(guān)的早期探索(如量子神經(jīng)計算的設(shè)想、量子小波變換、量子隨機(jī)游走在圖算法中的推廣)開始出現(xiàn)，并逐步從“思想啟發(fā)”走向“可實(shí)現(xiàn)框架”的構(gòu)造。

第三階段(2006 年至今)聚焦“與大數(shù)據(jù)與機(jī)器學(xué)習(xí)的結(jié)合”及“在NISQ設(shè)備上的可實(shí)現(xiàn)性”。自2006 年起，隨著NISQ走到臺前，量子算法與機(jī)器學(xué)習(xí)的深度融合成為主舞臺。2006 年，Zhou 等人提出量子感知器網(wǎng)絡(luò)，將量子態(tài)旋轉(zhuǎn)視為“調(diào)色盤”進(jìn)行特征編碼。2009 年，Harrow-Hassidim-Lloyd(HHL)算法為線性方程組求解開辟了多項式時間通道。2012 年，Clader 等人將預(yù)條件技術(shù)引入量子最小二乘，首次實(shí)現(xiàn)量子回歸分析。2014 年，Lloyd 團(tuán)隊推出量子支持向量機(jī)，F(xiàn)arhi 等人提出QAOA，分別在高維分類與組合優(yōu)化領(lǐng)域取得突破。

2016 年Kapoor 提出量子特征映射方法，將輸入數(shù)據(jù)編碼為量子門序列，通過測量量子態(tài)實(shí)現(xiàn)分類。2018 年，Lloyd 等人提出量子生成對抗網(wǎng)絡(luò)(QGAN)，構(gòu)建基于量子神經(jīng)網(wǎng)絡(luò)的生成對抗學(xué)習(xí)框架，用于生成目標(biāo)分布的量子態(tài)；2019 年，Carlos 等人在HHL 算法基礎(chǔ)上，提出適用于NISQ設(shè)備的量子-經(jīng)典混合線性系統(tǒng)求解方法；同年，Iris 等人受經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的啟發(fā)，設(shè)計用于量子相位識別與糾錯的純量子卷積網(wǎng)絡(luò)。2020 年，Beer 等人提出一種量子模擬的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。2021 年，Pesah 團(tuán)隊構(gòu)建可規(guī)避梯度消失問題的量子神經(jīng)網(wǎng)絡(luò)架構(gòu)，理論證明部分量子網(wǎng)絡(luò)不受貧瘠高原影響，提升訓(xùn)練穩(wěn)定性。2022 年，Chen 等人提出適用于高能物理數(shù)據(jù)分析的量子-經(jīng)典混合QCNN，支持高達(dá)30×30 維輸入；架構(gòu)通用性強(qiáng)，適用于圖像分類以外任務(wù)。2024 年，李向陽與Haiyue Zhang 提出量子電路自動編碼器模型，首次系統(tǒng)定義無損壓縮條件與保真度界限；顯著緩解去極化噪聲。緊接著，顧永建團(tuán)隊推出構(gòu)建了帶有門控機(jī)制的量子循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)。2025 年，李陽陽團(tuán)隊首創(chuàng)將量子電路拆分技術(shù)應(yīng)用于多模態(tài)情感分析任務(wù)，將量子資源使用從n 降至n∕2 + 1，緩解NISQ 設(shè)備量子位稀缺瓶頸；同時構(gòu)建分布式量子集群工作流，提升計算效率與模型擴(kuò)展性。

4.2類量子算法(量子啟發(fā)式)：物理直覺賦能的工程型優(yōu)化

與此并行，類量子啟發(fā)式算法在大規(guī)模優(yōu)化與智能計算領(lǐng)域同樣異彩紛呈。類量子算法并不依賴量子硬件運(yùn)行，而是把量子態(tài)、疊加、隧穿、測不準(zhǔn)等物理概念抽象為概率表示、搜索跳變與全局探索機(jī)制，從而提升經(jīng)典智能算法的效果。1989 年，量子退火與隨機(jī)優(yōu)化算法利用量子隧道效應(yīng)跳出局部極值，提升大規(guī)模優(yōu)化效率。1996 年，Narayanan等人將量子疊加思想引入遺傳算法，開啟了量子遺傳的發(fā)展。2000 年，Kadowaki 和Nishimori在15 城旅行商問題上演示了量子退火優(yōu)于經(jīng)典退火的性能。此后，Han 的量子進(jìn)化算法、Horn的量子聚類、孫俊等人的粒子群優(yōu)化算法QPSO與李陽陽團(tuán)隊的量子免疫克隆算法QICA，以及2019 年Montiel 的螞蟻啟發(fā)進(jìn)化和2022 年基于孤子概念的QPSO變體相繼出現(xiàn)，不斷拓展優(yōu)化新路徑。2024 年，李陽陽團(tuán)隊提出的EQNAS用于遙感目標(biāo)分類，自動為純量子神經(jīng)網(wǎng)絡(luò)進(jìn)行架構(gòu)搜索(無需人類經(jīng)驗)；首次引入I 門作“跳躍連接”以降參并緩解深度依賴，針對門選擇不確定與規(guī)模擴(kuò)展導(dǎo)致的部署難與精度瓶頸給出改進(jìn)，搜索結(jié)果可在量子環(huán)境端到端運(yùn)行，無需經(jīng)典輔助。

雖然量子啟發(fā)式算法和純量子算法都旨在突破經(jīng)典計算的局限，但是二者在硬件依賴、性能目標(biāo)和使用場景方面存在顯著差異。在硬件方面，量子啟發(fā)式算法不依賴于量子硬件，它是將量子相關(guān)的物理概念進(jìn)行抽象而可以在經(jīng)典計算機(jī)上進(jìn)行。與之相反的是純量子算法嚴(yán)格依賴量子硬件運(yùn)行；在性能目標(biāo)方面，量子啟發(fā)式算法旨在解決當(dāng)前大規(guī)模優(yōu)化和智能計算的問題，提高現(xiàn)有智能計算的性能極限。而純量子算法希望通過指數(shù)級加速解決經(jīng)典計算機(jī)難以觸及的根本性計算難題，但此類算法的穩(wěn)定性和可擴(kuò)展性十分受量子硬件發(fā)展的限制；在適用場景方面，量子啟發(fā)式算法不受限于量子硬件，在經(jīng)典硬件上就可以提升解決當(dāng)前大規(guī)模經(jīng)典優(yōu)化和智能計算問題算法的性能。純量子算法適用于解決特定領(lǐng)域的、具有指數(shù)級計算難度的瓶頸問題和自然界量子系統(tǒng)的模擬，但具體應(yīng)用受到當(dāng)前量子硬件的制約。

五

挑戰(zhàn)與展望

量子人工智能的發(fā)展正處于由理論走向?qū)嵱玫年P(guān)鍵階段，其潛力雖已被廣泛認(rèn)可，但從實(shí)驗驗證到工程落地仍面臨多維挑戰(zhàn)。硬件層面，目前量子計算仍以NISQ設(shè)備為主，量子比特的數(shù)量、保真度、相干時間和門操作精度均尚未達(dá)到支持大規(guī)模計算的要求。系統(tǒng)的穩(wěn)定性和擴(kuò)展性仍受限于退相干與控制精度，量子誤差糾正雖提供了解決路徑，卻需大量物理比特與復(fù)雜的控制機(jī)制，帶來額外能耗與技術(shù)成本。因此，當(dāng)前算力尚無法完全支撐AI 模型的通用推理與訓(xùn)練任務(wù)。

算法方面，變分量子算法、量子支持向量機(jī)、量子圖模型等已初步展現(xiàn)其在優(yōu)化與概率建模中的優(yōu)勢，但其適用性和可訓(xùn)練性仍受限。在大模型場景下，參數(shù)空間高維、優(yōu)化目標(biāo)復(fù)雜，現(xiàn)有量子算法難以穩(wěn)定收斂，且面臨梯度消失、結(jié)構(gòu)不匹配等問題。同時，數(shù)據(jù)加載仍是一大瓶頸，缺乏高效的量子隨機(jī)訪問存儲機(jī)制(如QRAM)限制了對真實(shí)大數(shù)據(jù)的表達(dá)與調(diào)用，使得模型訓(xùn)練過程中量子速度優(yōu)勢難以有效發(fā)揮。

在此背景下，量子大模型作為量子人工智能的下一階段演進(jìn)形態(tài)，逐步成為研究焦點(diǎn)。其核心設(shè)想是將量子計算能力嵌入到基礎(chǔ)大模型的關(guān)鍵模塊中，重構(gòu)高維優(yōu)化、表示學(xué)習(xí)與生成機(jī)制。例如，在語言模型中引入量子態(tài)空間可提升語義嵌入的維度與結(jié)構(gòu)復(fù)雜度；利用量子糾纏機(jī)制可增強(qiáng)跨模態(tài)特征的融合表達(dá)；通過量子退火與變分優(yōu)化算法可加速訓(xùn)練收斂過程并降低能耗。此外，也有研究探索量子原生模型架構(gòu)——直接以量子態(tài)為輸入輸出，從底層構(gòu)建具備新型學(xué)習(xí)能力的模型體系。

然而，量子大模型的構(gòu)建仍面臨工程實(shí)現(xiàn)的挑戰(zhàn)。硬件資源尚不支持大規(guī)模多層結(jié)構(gòu)的部署，量子電路深度和寬度受限；編程工具鏈尚不成熟，開發(fā)門檻高；驗證與評估框架尚未建立，難以量化其性能、能效與泛化能力。此外，如何在經(jīng)典與量子之間進(jìn)行高效協(xié)同，構(gòu)建量子輔助訓(xùn)練流程與推理接口，仍有待系統(tǒng)化解決。

展望未來，可行路徑將以量子-經(jīng)典混合架構(gòu)為起點(diǎn)，優(yōu)先在組合優(yōu)化、高維概率推斷、特征重構(gòu)等場景引入量子處理器作為協(xié)處理單元，逐步驗證其對模型性能的實(shí)際提升。同時應(yīng)構(gòu)建標(biāo)準(zhǔn)化的評測體系，包括精度指標(biāo)、訓(xùn)練時長、能效比與碳足跡等維度，以推動技術(shù)向產(chǎn)業(yè)化邁進(jìn)。在長期目標(biāo)上，量子大模型或?qū)⒊蔀樾乱淮鶤I 認(rèn)知架構(gòu)的基礎(chǔ)構(gòu)件，賦予模型更強(qiáng)的表達(dá)力、泛化能力與能耗控制能力。

總體而言，量子人工智能的發(fā)展應(yīng)堅持硬件—算法—應(yīng)用的協(xié)同設(shè)計原則，在保持理性、逐步推進(jìn)的基礎(chǔ)上探索真正具備量子原生優(yōu)勢的AI 模型體系。量子計算不僅是算力躍遷的路徑，更是AI 范式轉(zhuǎn)變的催化器，它為我們提供了突破經(jīng)典限制、重構(gòu)智能未來的新可能。

本文選自《現(xiàn)代物理知識》2025年6期YWA編輯

《現(xiàn)代物理知識》

搜索微信號

mpihep