摘要
利用量子退火器采样遵循玻尔兹曼分布的特性，基于退火的量子玻尔兹曼机(QBM)在量子研究领域日益受到关注。虽然它们具有量子加速的巨大潜力，但目前训练过程需要大量量子处理器(QPU)时间，限制了其在NISQ时代的应用。受Noè等人(2024)工作的启发，本文提出了一种改进的并行量子退火技术，用于监督式QBM训练。通过节省编码输入的量子比特，该方法在MedMNIST医学图像数据集上进行了测试，使该技术更接近实际应用。实验结果表明，采用本方法的QBM已能取得合理结果，性能与规模相当的卷积神经网络(CNN)相近，且训练周期明显更少。并行退火技术相比常规退火方法实现了近70%的速度提升。
方法
- 并行量子退火技术：改进Noè等人的方法，在监督学习框架下实现并行退火
- 量子比特优化：通过输入编码优化节省量子比特资源
- 监督训练架构：针对医学图像分类任务设计的QBM训练流程
实验结果
- 在MedMNIST数据集上验证方法有效性
- 性能指标与同类规模CNN模型相当
- 训练效率显著提升：所需epoch数明显少于经典模型
- 速度优势：相比传统退火方法加速近70%
结论
本研究展示了并行量子退火在QBM训练中的实际应用潜力，特别是在医学图像分类领域。虽然当前仍处于NISQ时代限制下，但该方法已显示出量子机器学习向实用化迈进的可能性。未来工作将聚焦于进一步优化量子资源利用和扩展应用场景。