[论文解读] Beyond Optimization: Harnessing Quantum Annealer Dynamics for Machine Learning

Akitada Sakurai, Aoi Hayashi+4 more|arXiv (Cornell University)|Jan 14, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

该论文展示了如何将经典数据编码进量子退火器的伊辛哈密顿量，利用其相干动力学生成特征并进行分类，在 D-Wave 系统和 MNIST 模拟上进行了实验。

ABSTRACT

Quantum annealing is typically regarded as a tool for combinatorial optimization, but its coherent dynamics also offer potential for machine learning. We present a model that encodes classical data into an Ising Hamiltonian, evolves it on a quantum annealer, and uses the resulting probability distributions as feature maps for classification. Experiments on the quantum annealer machine with the Digits dataset, together with simulations on MNIST, demonstrate that short annealing times yield higher classification accuracy, while longer times reduce accuracy but lower sampling costs. We introduce the participation ratio as a measure of the effective model size and show its strong correlation with generalization.

研究动机与目标

• 展示一个利用量子退火器（QA）相干量子动力学作为特征生成器进行分类的机器学习框架。
• 通过分析退火时间和噪声对性能的影响，评估在真实硬件和更大数据集上的可行性。
• 引入并验证参与比率（PR）作为模型容量与泛化的诊断工具。
• 探讨测量次数和噪声如何影响基于 QA 的特征的实际分类性能。

提出的方法

• 将经典输入编码到 QA 的最终伊辛哈密顿量中，并在 QA 动力学下让系统演化以获得输出概率分布。
• 将得到的分布在标准化后（如 StandardScaler）视为特征向量，并用带 Softmax 的简单多分类感知机进行分类训练。
• 在 D-Wave Advantage System 7.1 上使用一个 8 量子比特子图和 Digits 数据集，通过 PCA 压缩到 20 维，进行实验实现。
• 数值扩展到 MNIST，采用简化的伊辛模型和 PCA 预处理，研究晶格比特数和退火时间的依赖性。
• 通过注入受控噪声并与硬件结果比较，研究哈密顿量随机性对鲁棒性的影响。

实验结果

研究问题

• RQ1 量子退火器的相干动力学是否可作为有意义的机器学习任务特征生成器？
• RQ2 退火时间和能量尺度如何影响基于 QA 的分类性能与泛化？
• RQ3 由参与状态空间规模所对应的模型大小与泛化之间的关系如何，与参与比率（PR）相关吗？
• RQ4 需要多少次测量才能获得可靠的基于 QA 的分类，这与量子比特数量的关系如何？
• RQ5 基于 QA 的特征学习对哈密顿量中的噪声和随机扰动是否鲁棒？

主要发现

• QA 动力学能够产生用于分类的有用特征分布，在数字任务上性能优于经典线性分类器。
• 较短的退火时间具有更好的泛化性，而较长的时间虽然降低准确性但减少所需的测量次数。
• 实验中观察到的性能与噪声辅助机制一致，即硬件噪声或人为添加的随机性可以改善结果。
• 参与比率（PR）与分类准确性高度相关，作为模型容量和泛化的诊断工具。
• 在 MNIST 上，增加量子比特数量可以提升峰值准确性，较长的退火时间在需要更少的测量次数的情况下有助于收敛到理论。
• 每张图片大约需要 0.5×10^3 次测量即可在实验中超越经典线性分类器。