中国科大团队实现高维量子神经元,突破量子神经网络硬件瓶颈
2026 年 11 月 16 日,由中国科学技术大学副教授李兆凯(Li Zhaokai)和教授林一衡(Lin Yiheng)领导的研究团队在《国家科学评论》(National Science Review)上发表了一项重要研究成果。该研究题为“配备量子处理器反向传播的量子神经网络”(Quantum Neural Networks equipped with backpropagation on quantum processors),提出了一种在不增加物理量子比特数量的前提下,通过利用单个量子单元内部的高能级来构建高维量子神经元的新方法。

从“堆叠比特”到“拓展维度”的技术路径转变
当前,扩展量子神经网络规模的主流方式通常是增加量子比特的数量以充当更多神经元。然而,这种策略对硬件控制提出了极高要求,尤其是在中等规模量子设备(NISQ)阶段,随着量子比特数的增加,噪声积累和控制复杂度呈指数级上升,成为制约量子人工智能发展的主要瓶颈。
针对这一挑战,中国科大研究团队另辟蹊径,选择在个体物理量子单元内部扩展状态空间。传统量子比特通常仅使用两个能级进行二进制编码,而许多物理量子系统实际上拥有多个可访问的能量层级。研究人员指出,通过利用这些额外的内部能级,可以在不添加任何新物理单元的情况下,显著增加信息的表示和处理空间,从而提升有限硬件资源下的计算容量。
混合架构与实验验证
基于上述理念,团队开发了一种混合量子-经典神经网络框架。该方法通过结合简单的控制操作和低复杂度的读取机制,有效扩展了量子神经元的希尔伯特空间,同时抑制了操作错误的累积。这为充分利用量子单元的内在资源提供了一条可行的实验路径,展示了在小规模量子系统上实现高性能机器学习的潜力。
为了验证理论的有效性,研究团队在一个包含五个离子的多层量子处理器上构建了高维量子神经网络,并进行了实验测试。该网络被用于对 Fashion-MNIST 数据集中的服装图像进行分类任务。
实验数据显示,在未经训练时,不同类别的样本在输出空间中相互重叠;而在经过训练后,这两类样本清晰地分布在决策边界的两侧,表现出显著的类别分离特征。最终,该模型在包含 395 个样本的测试组上实现了 95.7% 的实验分类准确率,证明了高维量子神经元在机器学习任务中的有效性。
研究意义与展望
这项研究表明,量子系统中的额外能量水平可以作为可控、可训练的计算资源,直接参与机器学习过程。通过操控单个量子单元的内部多级自由度,研究人员成功扩大了量子机器学习模型的容量,而无需依赖更多的物理量子比特。
该成果提升了多层次量子系统的功能定位,使其从高维信息表示载体转变为可训练的智能计算单元。这一新方法为克服限制量子人工智能发展的硬件资源瓶颈提供了重要思路,有望推动小规模量子系统在更广泛的人工智能应用中发挥作用。
论文引用:
Yibo et al., Quantum neural networks equipped with backpropagation on quantum processors, National Science Review (2026). DOI: 10.1093/nsr/nwag611





