[Paper] 读取侧旁路用于残差混合量子‑经典模型
量子机器学习（QML）承诺提供紧凑且富有表现力的表示，但受到测量瓶颈的限制——即量子到经典的读取通道狭窄。为了在实际硬件上实现可扩展的 QML，必须在保持模型表达能力的同时，尽量减少对量子测量的依赖。本文综述了当前针对测量瓶颈的主要解决方案，包括： 1. **可分离的量子特征映射** 通过将高维特征映射分解为若干低维子空间的映射，降低每次测量所需的量子比特数，从而在保持整体表达能力的前提下降低测量开销。 2. **基于随机化的测量协议** 利用随机测量基底（如随机 Pauli 测量）来近似期望值，减少所需的测量次数，同时通过统计方法控制误差。 3. **层次化的量子‑经典混合架构** 将深层量子电路拆分为若干浅层子电路，每层的输出通过经典后处理进行聚合，避免一次性对全部量子态进行完整测量。 4. **可训练的测量基底** 将测量基底本身视为可学习的参数，使用梯度或进化算法优化基底选择，以最大化信息获取效率。 5. **基于张量网络的压缩技术** 将量子态表示为张量网络（如 MPS、PEPS），在经典计算中进行近似收缩，从而在测量前对信息进行压缩，降低所需的测量次数。 6. **噪声感知的误差抑制** 结合噪声模型对测量结果进行后处理，利用误差逆向传播或贝叶斯推断来校正测量误差，提升有效信息量。 ### 实验评估 - 在 **IBM Quantum** 平台上，对比了传统的全测量方案与基于随机化测量的 QML 模型，前者在相同电路深度下的分类准确率提升约 **3–5%**，但测量次数高出约 **10 倍**。 - 使用 **量子张量网络** 对 **MNIST** 手写数字进行特征提取时，压缩率可达 **90%**，而分类精度下降不足 **1%**。 ### 展望 - **自适应测量**：结合实时反馈的自适应测量策略，有望进一步降低测量开销。 - **硬件协同设计**：在量子芯片层面引入专用的测量加速单元（如快速读出电路），可显著提升测量吞吐量。 - **跨模态学习**：将量子特征与经典多模态特征（如图像、文本）融合，探索更强大的混合模型。 通过上述技术路线的综合应用，量子机器学习有望在保持高表达能力的同时，突破测量瓶颈，实现在噪声中等规模量子设备上的实用化。