量子传感领域又出大招了！想象一下，当你的传感器不仅仅是捕捉信号，还可以直接计算量子信号，快速提取特定于任务的信息，是不是效率直接拉满？
7月21日，康奈尔大学的研究团队在论文“Quantum computational sensing using quantum signal processing, quantum neural networks, and Hamiltonian engineering”（量子计算传感技术中的量子信号处理、量子神经网络与哈密顿量调控）中，就给大家展示了如何用量子计算给量子传感“赋能”！
该团队在理论和数值模拟上展示了两种量子算法——量子信号处理（QSP）和量子神经网络（QNN）——在多种二元和多类别机器学习分类任务中的应用。这项工作通过将传感操作与计算操作交织进行，从而实现对感知信号的非线性函数处理，为量子计算传感（QCS）的开发迈出了重要一步。
研究结果表明，即使在小规模量子系统（如少数量子比特、单量子比特-单玻色模式混合系统，甚至单个量子比特）中，也能展示量子计算传感优势，部分任务的模拟准确率优势超过20个百分点。
量子计算传感：未来的“智能眼”
在当前科技浪潮中，对物理信号的精确感知与高效处理日益凸显其关键性。传统的量子传感（QS）技术在测量物理量方面已然展现出卓越的感知能力，然而，在面对复杂多变的信号，特别是需要提取非线性特征信息时，其性能往往受限于后续的经典后处理环节。不妨设想，若量子系统能将感知与测量前的复杂计算融为一体，这将如何革新信息获取的范式？
这正是“量子计算传感”（QCS）的精髓所在。其核心在于有机融合量子传感与量子计算之长，赋能量子传感器以更高的效率从物理信号中萃取任务导向型信息。
量子计算传感（QCS）的出现，就像给传感器装上了“智能大脑”。它不再仅仅是感知信号，而是利用量子系统在感知的同时对信号进行处理，让测量结果直接给出你想要的特征。这种在量子层面完成部分甚至全部非线性处理的能力，正是QCS相对于传统方法的巨大优势所在，通常称之为“量子计算传感优势”（QCSA）。
该研究提出了一种通用的QCS协议架构：。其中，
表示第L次传感操作,表示第L次相干处理操作，L为传感操作的次数。这种架构的灵活性在于，它允许L≥1 的多重传感操作与相干处理操作精妙地交织进行，从而实现对信号更复杂的非线性处理。
图：QCS协议采用的通用架构
核心技术：量子算法如何赋能QCS？
研究通过数值模拟与实验数据验证，在多种任务中对比QCS与传统量子传感（QS）的性能，核心是固定传感时间预算（以传感周期数N衡量），评估分类准确率或函数逼近误差。
- 基于量子信号处理（QSP）的单量子比特传感：小而精悍的非线性利器
对于单量子比特相位传感任务，研究团队巧妙地借鉴了量子信号处理（QSP）算法的精髓。QSP通过交替应用输入酉算符和非对易的单量子比特旋转，能够计算输入参数的任意多项式函数。在QCS框架下，这种QSP启发的协议允许L>1次传感操作与L次可训练的相干处理操作交织进行，仿佛为量子比特装上了“智能大脑”。
通过监督学习对QCS协议参数进行优化，即使目标函数F∗事先未知，也能从训练数据中成功推断，这大大拓宽了QCS的应用边界。
研究表明，随着L的增加，QCS协议能够更精确地逼近非线性决策边界，并在给定传感时间预算下，实现比传统QS更低的分类错误率。例如，在N=26的传感周期下，QCS协议（L=26）的分类误差比传统QS协议低了26.1个百分点 (41.1%−15.0%=26.1%) 。
尤其是在单次测量（single-shot）模式下，QCS展现出显著的性能优势，这得益于其能够将测量结果推向0或1，从而有效抑制采样噪声。
图：基于量子信号处理（QSP）的单量子比特相位传感器
- 基于量子神经网络（QNN）的多量子比特传感：复杂信号的智能解析
面对多参数、高维信号的分类任务，研究团队将QCS巧妙地扩展到多量子比特系统，并引入了量子神经网络（QNN）的架构。QNN通过可训练的多量子比特酉操作，能够处理更复杂的信号关联，仿佛构建了一个“量子大脑网络”。
以Logspirals数据集为例，该数据集包含306个通道的时变信号，用于运动意图的二分类任务。该研究展示了多量子比特QCS在二分类和多分类任务中的卓越性能。模拟中，计算操作层数（L）的增加显著降低了分类误差，尤其是在处理复杂的时空信号时，QCS展现出超过传统QS的优势。训练过程采用PyTorch进行，所有矩阵和系统状态都存储为可微分的PyTorch张量，通过反向传播进行训练。
图：量子神经网络（QNN）架构
- 哈密顿量调控下的玻色子传感：无需经典后处理的“神来之笔”
除了基于量子比特的传感，研究团队还探讨了纯玻色子系统在QCS中的创新应用。通过非线性量子非破坏性哈密顿量调控，玻色子量子计算传感器能够直接估计感知到的位移的任意复杂多项式。这种方法无需复杂的经典后处理，直接通过量子系统的动力学完成非线性计算，可谓是“化繁为简”的妙招。
研究结果表明，与传统QS相比，这种玻色子QCS协议在函数逼近任务中能实现更低的均方误差，且优势随着任务复杂度的增加而增大。这为在电磁场传感等领域实现QCSA提供了新的途径。
图：基于哈密顿量工程的玻色模式QCS协议
- 混合量子比特-玻色子传感：兼收并蓄的强强联合
为进一步拓展QCS的应用范围，该研究还提出了基于混合量子比特-玻色子系统的QCS协议。这种混合架构结合了量子比特的离散性和玻色子模式的连续性，为处理复杂信号提供了独特的优势，可谓是“强强联合”。
通过将玻色子模式与单量子比特耦合，并利用条件位移门等操作，混合QCS协议能够有效地处理复杂的二分类任务，如Circles数据集。
研究发现，即使在单次测量模式下，混合QCS协议也能实现比传统QS协议显著更低的分类错误率。实验数据显示，在相同传感资源下，QCS协议将分类误差从11.2%降至1.7%，验证了混合架构的优势。
图：混合量子比特-玻色模式系统
监督学习：噪声环境下的高效训练，让量子系统“学会思考”
该研究的一个重要贡献在于，它提出了一种在有限采样测量结果下，通过监督学习高效优化QCS协议参数的方法。与以往假设可访问精确测量概率或期望值的方法不同，该方法更贴近实际实验条件，因为它直接利用了带有量子采样噪声的测量结果进行训练，真正做到了“从实际出发”。
这种“端到端”的训练框架，允许量子系统和经典后处理器（如经典神经网络）协同优化。研究表明，即使在单次测量（single-shot）推理场景下，QCS协议也能成功训练，并且在训练时使用与推理时相同的测量次数，能够获得最佳性能。这强调了在低采样噪声环境下，将测量结果推向0或1的重要性，从而最大限度地减少采样噪声的影响，让量子系统在“噪声中学习，在实践中成长”。
量子计算传感的无限可能
量子计算传感是量子传感与量子计算深度融合的典范，其将独立的量子处理和传感模块整合起来，实现量子计算机与高精度传感器的无缝连接。通过将量子传感的“感知”能力与量子计算的“处理”能力紧密结合，研究人员成功构建了能够直接提取复杂信号特征的智能传感器。
该研究表明，即使在小规模量子系统（如少量量子比特、单量子比特-单玻色模式混合系统，甚至单个量子比特）中，也能实现显著的量子计算传感优势（QCSA）。这为未来实验验证和实际应用奠定了基础。量子计算传感的出现，预示着未来“智能眼”传感器的可能性，这些传感器不仅能感知信号，还能在量子层面完成复杂的信息处理。
随着量子技术日趋成熟，我们有理由相信，量子计算传感将成为未来感知技术的重要组成部分，在医疗、国防、环境监测等诸多领域发挥颠覆性作用。尽管前路漫漫，但该研究无疑为我们指明了方向，激励着科研人员继续探索量子计算与传感融合的无限可能。
参考链接
https://arxiv.org/pdf/2507.15845
