近日，澳大利亞新南威爾士大學團隊把量子機器學習成功用於一組基於金屬奈米粒子的阻性化學陣列上，藉此最佳化了汙水監測資料的處理方式。
研究期間，研究人員開發出一種自適應量子核演算法，這種方法在壓縮資料的同時，能比傳統的方法比如主成分分析方法，保留更多的資料結構資訊。
（來源：Advanced Science）
實驗結果表明，經過這種量子壓縮後的資料，在後續基於機器學習的處理過程中，表現出了更好的評估分數。即使資料量減少，關鍵特徵資訊仍能得到更好保留，最終使檢測結果更加可靠。
為了進一步驗證量子優勢，研究人員還專門合成一些人工資料集，測試結果依然顯示這種量子壓縮方法確實能夠更有效地保留資料的核心特徵，而傳統方法在某些情況下可能會丟失部分重要資訊。
這不僅說明量子機器學習在資料壓縮方面具備一定潛力，同時也為量子計算和感測器技術的結合提供了更多可能性。
日前，相關論文以《自適應性量子核主成分分析用於化學電阻式感測器陣列的緊湊讀出》（Self-Adaptive Quantum Kernel Principal Component Analysis for Compact Readout of Chemiresistive Sensor Arrays）為題發在 Advanced Science，王澤恆是第一作者兼通訊作者 [1]。
圖 | 相關論文（來源：Advanced Science）
本次研究成果有著廣泛的應用潛力，特別是在物聯網和邊緣計算等領域。正如研究人員的實驗結果和審稿人的評價所指出的，本次提出的自適應量子核主成分分析方法能夠在高維資料壓縮的同時，能夠比傳統主成分分析方法保留更多的結構資訊。這使得它在一些計算資源有限、但需要高效資料處理的場景中具有明顯的優勢。
首先，在邊緣計算領域，本次方法非常適用於那些“高效能運算或儲存技術無法使用的場景”，比如智慧感測網路、遠端環境監測系統、工業物聯網等。
在這些系統中，感測器通常佈置在偏遠或資源受限的環境中，如無人機監測站、極端天氣條件下的氣象站、深海或太空探索裝置等。這些裝置的計算能力和儲存能力往往受限，但需要處理大量的實時資料。
研究人員的量子壓縮方法可以在感測器本地處理資料，減少傳輸負擔，從而提高系統的響應速度和能效。
其次，在智慧交通領域、醫療大資料領域等資料結構複雜的分析中，本次方法可被用於高維資料的降維與最佳化。
由於這些資料通常存在高維特性且噪聲較多，傳統的降維方法在壓縮資料的同時，可能損失關鍵的生物資訊。而研究人員的量子壓縮方法在保留資料結構資訊的同時，還能提高後續機器學習模型的準確性，使得交通疏導、個性化治療等方面的分析更加高效。
隨著量子計算硬體的發展，未來本次方法還有可能在金融投資建模、材料科學計算等更廣泛的領域發揮作用。
這些應用不僅可以幫助降低資料處理的計算成本，同時還能提高模型的可靠性和預測能力，推動量子機器學習在實際應用中的落地。
（來源：Advanced Science）
如何既減少資料量又保留關鍵資訊？
量子計算被視為下一代計算正規化，它能夠利用量子疊加和糾纏等特性，在某些特定問題上實現比經典計算更快的求解能力。這種計算加速被稱為“量子優勢”。
過去幾十年，研究者們提出了許多量子演算法，並在理論上證明它們在理想條件下能夠顯著超越經典計算。然而，受限於當前量子硬體的成熟度，這些演算法的實際驗證依然面臨巨大挑戰。
主要的困難在於，現有量子計算裝置的計算保真度尚不理想，量子態在演化過程中會受到噪聲的影響，導致計算精度隨不斷運算而逐步降低。這使得當前量子計算機難以直接執行大規模、深度複雜的量子演算法。
因此，儘管學界在硬體研發上不斷取得突破，但噪聲問題仍然是未來一段時間內不可忽視的瓶頸。為應對這一挑戰，人們提出了“含噪聲的中等規模量子計算”（NISQ，Noisy Intermediate-Scale Quantum Computing）的概念，即研究如何在現有的中等規模量子晶片（通常指數個到數百個量子位元）上，利用演算法最佳化和噪聲適應策略，在短期內實現實用性計算優勢。
在這一背景下，量子機器學習被認為是 NISQ 時代最有潛力實現量子優勢的研究方向之一。其核心思想是利用量子計算的特性，將某些經典計算難以處理的問題（如高維資料分類、迴歸）對映到量子態空間，以實現高效求解。
因其具備一定的噪聲自適應能力，使得量子機器學習在 NISQ 硬體上具有獨特的計算優勢，有望在量子計算尚未實現大規模容錯糾錯前，率先在某些特定領域超越經典計算。
同時，它也可能能為未來高密度量子位元晶片的發展提供應用驅動力，促進量子計算技術在實際應用中的落地，推動學術界、工業界和市場的良性迴圈發展。
而在傳統上，基於金屬奈米粒子的阻性化學感測器系統存在兩個特點：
一是製造相對簡單，但資料是透過檢測電阻變化來識別不同化學物質的，讀取和處理過程的能耗相對較高；
二是單個感測器的檢測能力有限，所以通常需要多個感測器協同工作，導致生成的資料維度很高，而高維資料往往會增加計算和儲存的壓力。
在之前的研究裡，本次研究人員已經使用傳統機器學習的方法最佳化了感測器的選擇。
儘管降低了能耗，但資料壓縮仍然是一個挑戰，特別是當資料需要在邊緣計算裝置上處理時，如何既減少資料量又保留關鍵資訊就成為一個需要解決的問題。為此，他們在本次研究之中用量子機器學習來進一步最佳化資料壓縮。
（來源：Advanced Science）
希望能為量子-經典混合計算模式奠定基礎
本次研究是新南威爾士大學多個研究團隊緊密合作的成果。王澤恆所在團隊主要研究量子機器學習，而化學阻性感測器的製造和測試則由另一支團隊負責。
最初，大家對彼此的領域並不熟悉，因此需要一邊交流一邊學習。比如，王澤恆所在團隊提出理論上量子主成分分析可用於資料壓縮，但是感測器團隊擔心它在真實資料上是否有效。為此，他們決定設計不同工況的資料集進行測試，確保方法不僅在理論上可行，也能在實驗資料上展現優勢。
密集的討論會幾乎成了研究的一部分，他們經常圍著白板推導公式、分析實驗資料。一次分析中，他們發現量子核主成分分析在某些複雜環境下表現不如預期，這促使研究人員調整核函式，設計出了自適應量子核方法。
後來，當他們看到這種量子壓縮方法真正展現出比傳統方法更強的資訊保留能力時，都感到非常的激動。
目前，研究人員正在聯絡幾家提供商業量子計算服務的公司，希望透過合作利用更高效能的量子計算裝置，進一步拓展量子機器學習的應用場景。
本次研究已經驗證了自適應量子核方法在特定資料集上的優勢，但受限於現有硬體，研究人員主要是在模擬環境或較小規模的資料集上進行測試。
因此，下一步的重點是在更大規模的資料集、更復雜的應用場景下，探索量子機器學習的實際可行性，以及觀察其在真實工業應用所能達到的效果。
與此同時，研究人員也想知道在 NISQ 時代，量子機器學習是否能在現有硬體條件下展現出超越經典方法的實際優勢？例如，在更復雜的物聯網資料流、醫療大資料、實時交通監測等場景中，自適應量子核方法是否仍然能夠有效提升資料壓縮和資訊提取能力？這也是他們接下來要重點研究的問題。
同時，他們也在考慮透過進一步最佳化演算法，探索如何讓自適應量子核方法在不同的噪聲環境下變得更穩定，以及探索如何結合經典 AI 技術來提升整體計算效率。
而這一系列研究的最終目標是加快量子技術在實際行業中的落地，研究人員希望透過與商業量子計算公司的合作，讓量子計算儘早在真實應用場景中展現價值，為未來的量子-經典混合計算模式奠定基礎。
參考資料：
1.Wang, Z., van der Laan, T., & Usman, M. Self‐Adaptive Quantum Kernel Principal Component Analysis for Compact Readout of Chemiresistive Sensor Arrays. Advanced Science, 2411573(2025). https://doi.org/10.1002/advs.202411573
運營/排版：何晨龍
01/
02/
03/
04/
05/
