IOE | 智驭光澜：跨越维度壁垒的变分量子嵌入学习演化新范式【同济大学精密光学工程技术研究所程鑫彬教授团队】

同济大学精密光学工程技术研究所程鑫彬教授团队提出了一种专门针对集成光子平台优化的变分量子嵌入学习框架，旨在解决概率性逻辑门级联导致的成功率瓶颈问题，为噪声中等规模量子（NISQ）时代的光量子机器学习提供了一条可行路径。在研究方法上，研究团队摒弃了传统将量子线路视为多个独立逻辑门序列的观念，将整个嵌入过程重构为统一的、可训练的非幺正映射矩阵。通过将线路演化与多光子后选择过程视为一个受归一化约束的整体算符，有效地规避了传统级联架构中成功率指数级下降的难题。在数学建模上，该框架利用玻色子不可分辨性产生的矩阵算符（Permanent）来计算输出概率分布，并通过变分优化算法动态调整权值矩阵，使光子线路能够自适应地学习目标任务的最优数据映射策略。

图 1 基于变分光量子电路的量子嵌入学习架构示意图

为了验证该框架的通用性与高效性，科研人员在三个代表性任务中进行了深入实验。

首先在全贝尔态投影任务中，成功设计出一种能够单次测量判别所有四个贝尔态的光子投影器，在复杂量子信息的精确操控与高维数据的高通量处理等场景中具备极大潜力。

图 2 完整贝尔投影算子的测量结果

其次在量子支持向量机（qSVM）的非线性数据集分类实验中，该框架表现出卓越的特征映射能力，且在模拟去极化噪声环境下展现了比PEFM（Pauli-Encoding Feature Map）和PQK（Projected Quantum Kernel）等传统方案更强的鲁棒性，仅损失极小的精度即可维持稳定运行。

图 3 双量子比特量子嵌入与分类结果

最后在量子 K-means 聚类任务中，利用量子增强的距离估计技术实现了对复杂数据拓扑结构的自动识别与精准聚类。研究结论表明，通过整体优化变分映射矩阵，可以在有限深度的光子芯片上获得极强的非线性表达能力与噪声耐受力。这一成果不仅在理论上统一了光量子算法的合成与嵌入学习过程，更在实践上为光量子芯片在状态区分、数据分类及聚类分析等领域的应用提供了工具，对于加速集成光量子处理器在未来人工智能任务中的商业化落地具有深远意义。目前该工作以“Quantum Embedding Learning on Variational Photonic Quantum Circuits”为题发表在Intelligent Opto-Electronics 2025年第2期。

图 4 量子K均值（QKMeans）结果

【基金支持】该工作得到了国家自然科学基金项目(项目号62505228, 62405173)的支持。