编辑 | 白菜叶
玻色子采样是一种受限的非通用量子计算模型，理论上它能够完成数字计算机难以解决的任务，其量子优势已得到证实。但是，事实表明，将此类模型用于实际应用尚不现实。
在最新的研究中，日本冲绳科学技术研究所 （OIST） 的研究人员展示了利用随机干涉仪驱动玻色子采样，可以生成量子库计算所需的复杂动力学。他们利用这些动力学执行了各种图像识别问题，证明了该方法即使在中等规模的系统中也具有实用性。
他们的方法仅使用了三个光子和一个线性光网络，这标志着向低能量子人工智能系统迈出了重要一步。
相关研究以「Quantum optical reservoir computing powered by boson sampling」为题，于近期发布在《Optica Quantum》2025 Vol. 3，Issue 3。
利用量子复杂性
玻色子——类似光子且遵循 Bose-Einstein statistics 的粒子——在通过某些光路时会表现出复杂的干涉效应。在玻色子采样中，研究人员将单个光子注入这样的光路，然后测量它们干涉后的输出概率分布。
要理解这种采样的原理，可以想象一下钉板上的弹珠。当弹珠掉落时，如果对弹珠落地位置的概率分布进行采样，它会形成一个钟形曲线。然而，使用单个光子进行同样的实验，结果却完全不同。
它们表现出类似波的特性，因此可以相互干扰，并且与周围环境的相互作用与大型物体截然不同。这意味着它们表现出非常复杂的概率分布，传统计算方法很难预测。
从量子库到图像识别
在这里，研究人员开发了一种基于玻色子采样的新型量子人工智能图像识别方法——QORC。在模拟实验中，他们首先生成一个复杂的光子量子态，并在其上编码简化的图像数据。
研究人员使用了来自三个不同数据集的灰度图像作为输入。由于每个像素都是灰度的，因此信息易于用数字表示，并且可以使用主成分分析（PCA）进行压缩以保留关键特征。
通过调整单个光子的属性，这些简化的数据被编码到量子系统中。随后，光子穿过一个量子库——一个复杂的光学网络——在那里，干涉会产生丰富的高维模式。
探测器记录光子位置，重复采样构建玻色子采样概率分布。该量子输出与原始图像数据相结合，并由一个简单的线性分类器进行处理。
这种混合方法保留了信息，并且优于研究人员测试的所有同等规模的机器学习方法，从而为所有数据集提供了高度准确的图像识别。
图示：QORC 示意图。（来源：论文）
「尽管该系统听起来很复杂，但实际上比大多数量子机器学习模型使用起来要简单得多。」论文的第一作者、量子信息科学与技术部门成员 Akitada Sakurai 博士解释道。
「只有最后一步——一个简单的线性分类器——需要训练。相比之下，传统的量子机器学习模型通常需要跨多个量子层进行优化。」
论文合著者、量子工程与设计部门负责人 William John Munro 教授补充道：「尤其引人注目的是，这种方法适用于各种图像数据集，而无需改变量子库。这与大多数传统方法截然不同，传统方法通常必须针对每种特定类型的数据进行定制。」
开启图像识别的新领域
无论是分析犯罪现场的笔迹，还是识别核磁共振扫描中的肿瘤，图像识别在许多实际应用中都发挥着至关重要的作用。
这项研究的成果令人鼓舞，它发现这种量子方法比类似规模的机器学习方法识别图像的准确率更高，为量子人工智能开辟了新的途径。
「这个系统不是通用的——它不能解决我们给出的每一个计算问题，」量子信息科学与技术部门负责人、OIST 量子技术中心中心主任、论文的通讯作者之一 Kae Nemoto 教授指出。
「但这是量子机器学习向前迈出的重要一步，我们很高兴在未来探索其在更复杂图像方面的潜力。」
论文链接：https://opg.optica.org/opticaq/fulltext.cfm?uri=opticaq-3-3-238&id=572317
相关报道：https://phys.org/news/2025-06-boson-sampling-applications-quantum-ai.html
