文丨 浪味仙 排版丨浪味仙
行业动向：3200字丨8分钟阅读
72 个量子比特、数千个双量子比特门、来自真实道路环境的图像。
近日，量子软件与算法公司 BlueQubit 与本田在北美的前沿研发机构------本田美国研究院（Honda Research Institute USA）合作，把量子图像加载与分类实验推进到了此前少见的规模，部分模型在真实量子硬件上的测试准确率超过 90%。
研究团队在 IBM 和 Quantinuum 的量子处理器上运行变分量子电路，测试数据从量子机器学习常用的 MNIST 手写数字扩展到自动驾驶研究使用的 Honda Scenes Dataset，相关论文已发表在期刊《Quantum Machine Intelligence》(量子机器智能)，题为《Quantum image loading and classification: experiments on utility-scale quantum computers》(实用规模量子计算机上的量子图像加载与分类实验)。BlueQubit 与本田美国研究院共同资助了这项研究。
图源官网
这项实验要解决的是一条连续的技术链条：既要把真实世界的图像高效编码进量子态，又要把电路控制在现有硬件能够承受的深度内；当规模扩大到数十个量子比特后，还要保证模型能够继续训练，并在真实硬件噪声中保留下足以完成分类的有效信号。
01
图片先得装进去
一张经典图像可以表示为一组像素数值，量子算法要处理这些数据，需要先把它们编码进量子态。常见方案之一是振幅编码（amplitude encoding），利用量子态的振幅承载经典信息。
难点在于状态制备。如果要求进行精确振幅编码，所需量子电路的深度会随着量子比特数量呈指数增长。真实量子处理器中的门操作存在误差，电路越深，累积噪声越严重。深度一旦超过硬件能够承受的范围，即便目标量子态在理论上可以精确构造，最终测量结果也可能变得难以与随机噪声区分。
BlueQubit 和本田美国研究院采用了近似的学习型编码方案。研究人员扩展了此前用于训练大规模变分量子电路的分层学习框架（hierarchical learning），让参数化量子电路通过训练逼近目标量子态。编码允许存在少量误差，由此显著压低电路深度，使状态制备更适合当前量子硬件。
研究团队还测试了块振幅编码（block amplitude encoding）。这种方法把图像不同部分分别编码进较小量子态，再通过张量积组合，相当于将一个大型状态制备任务拆分到多个量子比特寄存器中。作为对照，团队还采用了分段角度编码（piecewise angle encoding），通过单量子比特旋转角度承载经典数据。
几种方案放进同一套实验框架后，研究人员可以比较编码保真度、电路深度与分类准确率之间的权衡，图像加载由此变成一个直接受硬件条件约束的问题：编码精度提高，需要付出怎样的电路深度；电路进一步压缩，又会对分类结果产生多大影响。
02
大电路还得练的动
同一套分层学习框架还承担了另一项任务：让不断扩大的变分量子电路保持可训练。这对应的是量子机器学习中的另一个长期难题，贫瘠高原（barren plateau）。
随着参数化量子电路规模增加，损失函数梯度可能快速趋近于零，优化器难以获得有效的参数更新方向。分层学习没有一次性训练完整的大型电路，而是从较小的参数块开始，逐步冻结已经训练的部分，再加入新的参数和电路结构。其目标是在电路扩展过程中维持可训练梯度，同时控制电路深度的增长。
这种方法在真实硬件的 72 量子比特规模上仍然表现出可训练性，为变分量子机器学习继续扩大规模提供了一条可行路径。这里验证的并非某种适用于所有量子模型的通用结论，而是在此次采用的电路和训练方式下，模型扩展到数十个量子比特之后，参数优化仍能够继续进行。
为了训练和验证这些大规模电路，团队搭建出一套经典计算与量子硬件配合的工作流。研究人员依托 BlueQubit 平台，使用 PennyLane 构建量子电路并计算训练所需的参数梯度，再结合 NVIDIA H100 GPU 与 cuQuantum 进行 20 个量子比特以上的电路模拟。
一条包含 20 个量子比特和 720 个可训练参数的电路，完成 1000 次训练迭代约需 300 秒，这样的模拟速度使系统性的超参数探索成为可能。团队先在模拟环境中验证量子图像加载和分类流程，再将电路部署到真实量子处理器。
整套软件栈建立在 PennyLane 和 BlueQubit SDK 之上，将 GPU 加速的量子电路模拟、跨异构量子硬件的云端编排，以及针对不同硬件连接结构和 Ansatz 选择的电路调整组织进同一套实验流程。这次实验实际涉及的是一整套从模拟、训练到硬件适配和跨平台部署的计算工作流。
03
再送进真实量子芯片
完成模拟和训练后，研究团队把电路送上了两类差异明显的真实量子硬件。
一方面，团队使用 IBM 的 27 量子比特 Algiers、127 量子比特 Brisbane 和 156 量子比特 Fez 处理器。这些设备的双量子比特门中位保真度超过 99%，单量子比特门保真度超过 99.9%。
另一方面，团队采用 Quantinuum 的 H1 和 H2 系统。离子阱量子门运行速度相对较慢，但具有全连接能力和较高门质量。其中，研究使用的 56 量子比特 H2 在扩大规模后仍保持了与较小前代设备相近的保真度水平。IBM 和 Quantinuum 设备在连接方式、门速度和噪声结构上存在明显差异，电路需要根据具体硬件进行相应调整。
实验同时使用了两类图像数据。MNIST 长期是机器学习和量子机器学习研究中的标准基准数据集；另一组数据来自 Honda Scenes Dataset，用于自动驾驶相关研究，原始图像分辨率达到 1080×1920 像素。研究人员对 Honda Scenes 图像进行调整后，将其送入量子工作流，使实验从标准手写数字数据进一步延伸到真实道路环境来源的图像。
Honda Scenes 代表了汽车和机器人领域更可能面对的数据类型。相比长期围绕标准基准展开的小规模实验，这次研究开始把大规模量子图像分类放到现实来源的数据上检验。
图源网络
最终，整套图像加载和分类实验最高扩展到 72 个量子比特，并运行了数千个双量子比特门。72 量子比特既是这项图像分类实验达到的最高真机运行规模，也是该研究在讨论分层学习可扩展性时所涉及的规模。
部分运行在真实硬件上的模型，测试图像分类准确率超过 90%，表现接近经典先进水平，同时使用的可训练参数相对较少。在这样规模的电路、门数量和真实硬件噪声下，图像经过编码和深层电路之后仍能够留下足以完成分类的有效信号，是这组结果更值得关注的地方。
04
72 量子比特跨过了什么
加州理工学院理论物理学家 John Preskill 提出 NISQ，也就是"含噪声中等规模量子"概念时，人们曾期待在实现完整容错的量子设备之前，在数十到数百量子比特规模上也能完成一些有意义的计算任务。多年过去，寻找真正能够在现有硬件上运行，并具有现实意义的任务，仍是量子计算面对的一道关键问题。
量子机器学习同样经历着这种检验。近年的理论研究显示，部分量子神经网络架构可能被经典计算机有效模拟。单纯增加量子比特数量，或者让一个模型在量子芯片上运行起来，并不足以回答量子机器学习最终能够提供什么独特价值。
这次实验给出的进展更加具体。图像编码、大规模参数训练、跨硬件部署和真机分类被放进了同一条完整工作流，并进一步扩展到 Honda Scenes 这样的现实数据来源和最高 72 量子比特的硬件规模。过去常被分开讨论的数据加载、模型可训练性和真实硬件噪声，在一次实验中同时接受了检验。
随着量子处理器继续增加量子比特数量、提高门保真度和连接能力，量子模型能否获得经典方法难以复制的表达能力，能否以更少的可训练参数完成某些任务，又能否形成不同的特征空间几何结构，当前仍然需要继续验证。量子嵌入、量子核方法等方向还在探索这些可能性。
72 量子比特的意义在于，量子机器学习的一道问题正在被改写。过去人们首先要证明，大规模模型能不能完成数据加载、训练和真机运行；当这些环节开始被接进同一条工作流，下一道门槛就变得更加具体：在经典机器学习已经非常成熟的图像任务上，量子计算究竟能提供什么只有它才能提供的能力。
这会比再增加几十个量子比特更难回答，也将真正决定量子机器学习能走多远。
Reference：
https://link.springer.com/article/10.1007/s42484-026-00388-3
「END」