EPIC-CIM：通过平衡传播在相干伊辛机上训练卷积神经网络

量子卷积神经网络，由于涉及量子测量和离散量子态演化，面临着与非可微操作和离散优化动力学相关的固有训练挑战，这使得传统的基于梯度的学习难以有效应用。在这种背景下，基于能量的学习提供了一种有前景的替代方案，通过将网络训练重新表述为能量最小化过程，而无需显式的梯度反向传播。在此框架中，输入数据通过卷积操作处理，随后进行量子采样以生成中间二进制表示，而输出层也依赖量子采样来产生最终预测。整体网络能量由卷积特征匹配项、输出层的线性耦合项和全局输出约束项组成，使得参数更新和特征演化都可以通过物理上可解释的能量动力学来描述。此外，在平衡传播机制下，自由相位和弱钳制相位之间的能量差被利用来驱动参数更新，而无需显式梯度计算，从而在非可微和离散空间中实现稳定且一致的学习。在与经典卷积学习理论保持一致的同时，所提出的框架通过量子能量建模增强了可解释性和可观测性，为高效的QCNN训练以及量子计算与人工智能的集成提供了统一的物理视角。