映射希尔伯特空间真实几何，稳定量子AI！ #BigData #Analytics #DataScience #AI #MachineLearning #IoT #IIoT #PyTorch #Python #RStats #TensorFlow #Java #HPC #ReactJS #GoLang #QuantumComputing #CloudComputing #Serverless #DataScientist #Linux #Programming #Coding #100DaysofCode

https://geni.us/QuantumAIMemory https://geni.us/QEWCPaper https://geni.us/QML-PennyLane

新框架利用量子几何帮助量子AI系统记住所学内容

来源：https://thequantuminsider.com/2026/07/22/new-framework-uses-quantum-geometry-to-help-quantum-ai-systems-remember-what-they-learn/ Insider 简报

• 研究人员开发了量子弹性权重整合（QEWC），一种新的量子机器学习框架，它利用量子态的几何结构来减少模型在顺序学习新任务时出现的灾难性遗忘。
• 该框架用量子Fisher信息取代了依赖于测量的经典Fisher信息，以识别在训练过程中应保留哪些量子电路参数，提供了一种量子原生的持续学习方法，并通过四量子比特变分量子分类器的数值模拟进行了验证。
• 虽然QEWC相比传统顺序训练提高了知识保留能力，并且在模拟量子噪声下保持更稳定，但该工作仅限于经典模拟和相对较小的基准问题，在更大量子系统和真实硬件上的验证留待未来研究。

研究人员开发了一种新框架，利用量子态的几何结构，帮助量子机器学习模型在获取新任务的同时保留先前学到的知识，解决了量子人工智能（AI）面临的核心挑战之一。

这项研究发表在预印本服务器arXiv（https://arxiv.org/pdf/2607.16030）上，介绍了一种名为量子弹性权重整合（QEWC）的方法，该方法用基于量子力学本身的方法取代了传统的基于测量的方法。研究人员表示，该框架减少了“灾难性遗忘”——当学习新任务时，人工智能模型会丢失已在之前任务中掌握的技能。

这项研究聚焦于变分量子分类器，这是一类旨在当今嘈杂中等规模量子（NISQ）硬件上运行的量子机器学习模型。研究人员没有使用经典统计量来确定量子模型在训练过程中哪些部分应保持稳定，而是采用量子Fisher信息（QFI），一种衡量底层量子态对其参数变化敏感度的量。

研究人员认为，这提供了一种更自然的方式，来识别量子电路中哪些部分包含应在引入额外任务时被保留的信息。

尽管该工作是通过数值模拟而非量子硬件实验展示的，但它为量子持续学习提供了一个新的理论框架。量子持续学习是一个新兴的研究领域，旨在使量子AI系统能够顺序学习，而无需在每次获取新信息时从头开始重新训练。

持续学习

持续学习已成为AI领域的重要目标，因为现实世界中的系统很少一次性遇到所有相关数据。相反，它们必须不断适应新信息，同时保持已有的知识。

虽然人类可以自然地做到这一点，但人工神经网络往往不能。

当传统AI系统在新任务上训练时，为优化性能而进行的调整可能会覆盖编码先前知识的参数，研究人员将此称为灾难性遗忘。

同样的问题也存在于量子机器学习中。许多量子学习算法依赖于参数化量子电路（有时称为量子神经网络），其可调门参数在训练过程中被优化。随着这些参数为解决新问题而改变，早期任务的性能会急剧下降。

根据该研究，随着量子机器学习系统被应用于长期运行的科学或工业问题（新数据不断涌入），这一挑战可能变得更加重要。

先前的工作将一种称为弹性权重整合（EWC）的经典机器学习技术适用于量子模型。该方法利用经典Fisher信息（CFI）——一种从测量结果导出的统计量——来估计哪些参数（模型在训练过程中学习的可调变量）最重要。

研究者报告说，这对量子系统来说并不完全合适，因为CFI取决于量子态如何被测量。不同的测量方案可能对同一参数赋予不同的重要性。

他们提出了一种替代方案，使用量子Fisher信息，该信息刻画了量子态本身如何响应电路参数的微小变化，而不管最终如何测量。

根据该研究，这为持续学习创建了一种信息几何视角，其中知识保留直接与量子态的结构相关，而不是与特定的测量策略相关。

测量量子态的几何结构

QEWC背后的主要思想是，量子电路中的所有参数对维持先前学习知识的贡献并不相等。

该框架不是对所有参数一视同仁，而是估计哪些参数在调整时会对底层量子态产生最大变化。这些参数在后续训练中受到更强保护，而影响较小的参数则可更灵活地学习新任务。

研究者写道，这就像平衡稳定性与可塑性：稳定性使模型保持先前知识，可塑性使其获取新信息。

由于量子Fisher信息衡量的是当一个可训练参数被调整时量子态变化的大小，它自然捕捉到了哪些参数对模型行为的影响最大。

该研究进一步为这种方法提供了数学论证。根据研究者的说法，限制与高量子Fisher信息相关的方向的移动，会减少量子态本身的变化，从而限制模型预测和先前任务准确性的变化。

QEWC并非仅仅作为另一种正则化方法被提出，论文将其框架为量子系统中持续学习的几何解释。

研究者认为，这代表了与先前方法的概念性区别，因为参数重要性是由量子态的结构决定的，而非测量统计量。

测试与评估

该团队通过一系列在模拟中进行的顺序二分类任务评估了QEWC。顺序二分类任务只是一系列学习练习，模型一个接一个地学习任务，每个任务要求它将数据分为两类。

研究者进行的实验包括区分MNIST数据集中的手写数字、对Fashion-MNIST中的服装图像进行分类，以及识别属于两种不同量子相的量子多体态。澄清一下，MNIST（即改进国家标准与技术研究所数据库）是机器学习中使用最广泛的基准数据集之一。

量子模型由一个四量子比特变分量子分类器组成，包含30个重复层和120个可训练参数。

研究者首先建立了一个基线，通过没有任何保留先前知识机制的顺序训练模型。当两个密切相关的图像分类任务被顺序学习时，几乎不发生遗忘，因为两个任务需要相似的内部表示。

当第二个任务与第一个任务显著不同时，情况发生了变化。先在手写数字上训练，再在服装图像上训练，导致在第二个任务引入后，原始任务的性能显著下降，尽管新任务上的准确率仍然很高。

添加涉及量子相分类的第三个任务则导致更严重的遗忘。

研究者随后比较了三种方法：传统顺序训练、使用经典Fisher信息的经典弹性权重整合，以及基于量子Fisher信息的新QEWC框架。

与未正则化的基线相比，两种正则化方法都显著减少了灾难性遗忘。

然而，研究者报告，两种方法表现不同。

经典方法将其保护集中在强烈影响测量结果的参数上。而QEWC则将其正则化更广泛地分布在量子态几何上，从而在保留先前知识与学习新任务之间产生了不同的平衡。

该研究还考察了模拟的去极化噪声，这是影响量子计算的常见误差模型。

在这些条件下，经典Fisher信息由于测量统计的恶化而被抑制。另一方面，量子Fisher信息则保持了与噪声量子态本身相关的参数敏感性的更稳定描述。

根据研究者的说法，这表明基于量子的方法即使硬件噪声增加也能保持信息量，尽管该工作并未证明改进的硬件性能。

机遇与挑战

根据研究者的说法，QEWC旨在作为研究持续学习的框架，而非完整解决方案。

一个实际挑战涉及计算大型量子电路的量子Fisher信息。估计完整的量子Fisher信息矩阵需要评估每对可训练参数之间的相关性，随着模型规模增长，这项任务变得越来越昂贵。

为了在计算上可行，研究者仅使用了矩阵的对角元素，为每个参数分配独立的重要性分数，同时忽略参数间的相关性。

他们承认，这种近似牺牲了一些几何信息，但显著降低了计算成本。

该工作仍然局限于经典模拟。

所有实验都使用模拟的四量子比特电路进行，而非物理量子处理器。QEWC是否在更大系统或真实硬件条件下提供类似好处仍是一个开放问题。

基准任务也相对较小，主要包括使用成熟机器学习数据集的二分类问题和一个量子态分类问题。

未来的工作可以探索将该框架扩展到更大的量子模型、更复杂的学习任务，以及在真实量子硬件上进行实验。

研究团队包括韩国科学技术院（KAIST）、国立成功大学和台湾国家高速网络与计算中心的Yu-Chao Hsu；台湾国家应用研究实验室（NIAR）国家高速网络与计算中心的Tai-Yue Li和Nan-Yow Chen；以及台湾阳明交通大学电物理系的Yu-Cheng Lin和En-Jui Kuo。

如需更深入的技术细节，请参阅arXiv（https://arxiv.org/pdf/2607.16030）上的论文。需要注意的是，arXiv是一个预印本服务器，允许研究人员快速获得工作反馈。但它（以及本文本身）并非经过同行评审的正式出版物。同行评审是验证结果的科学过程中的重要步骤。