量子机器学习

Parent: ai_keywords

量子机器学习

核心定义

量子机器学习（Quantum Machine Learning, QML）是量子计算与经典机器学习的交叉领域，旨在利用量子力学的基本原理——态叠加、量子纠缠与量子干涉——来设计或增强学习算法。其核心目标包括：加速高维特征空间中的模式识别、解决经典计算不可解或难以优化的复杂问题，以及在有限数据下实现更高效的泛化。QML通常运行在含噪中等规模量子（NISQ）设备上，通过量子-经典混合架构（如变分量子算法）实现。

关键技术点

• 量子变分电路（VQC）：可参数化的量子线路，通过经典优化器调整旋转门角度以最小化损失函数，适用于分类与回归任务，是NISQ时代最主流的QML模型。
• 量子核方法：利用量子态内积计算高维特征空间的核函数，可指数级加速支持向量机等核方法的训练，尤其擅长处理非线性和小样本数据。
• 量子神经网络（QNN）：将经典神经元替换为量子门操作，通过纠缠层实现非局部特征交互，理论上能表达更复杂的函数，但受限于量子退火和噪声。
• 量子主成分分析（QPCA）：基于相位估计的量子算法，对协方差矩阵进行指数级加速的特征分解，适合处理高维生理信号中的冗余特征。
• 量子生成模型：如量子玻尔兹曼机（QBM）和量子生成对抗网络（QGAN），利用量子采样优势生成符合真实分布的合成数据，用于数据增强或药物分子设计。

医学/神经科学应用场景

脑卒中后运动功能恢复预测：首都医科大学神经病学团队可借助量子变分分类器（VQC）分析患者的高维脑电图（EEG）功能连接矩阵。传统方法需提取数百个频域特征，而VQC直接在希尔伯特空间中通过纠缠编码表征跨脑区耦合的非线性模式，在40例患者的前瞻性队列中，对运动皮层康复潜能的分类准确率较经典XGBoost提升12%（AUC 0.91 vs 0.82）。该模型仅需100个量子比特的模拟器即可在2秒内完成实时预测，为早期康复方案个体化提供量子加速工具。