MerLin：面向光子与混合量子机器学习的发现引擎
机器学习
2026-04-21 v2 编程语言
量子物理
摘要
识别量子模型在近期量子机器学习（QML）中何处可能提供实际效益，需要超越孤立的算法提案，转向对模型、数据集和硬件约束进行系统性和经验性探索。我们引入了 MerLin，这是一个面向光子和混合量子机器学习的开源发现引擎。MerLin 将线性光路电路的优化强化模拟集成到标准的 PyTorch 和 scikit-learn 工作流程中，实现了量子层的端到端可微训练。MerLin 围绕系统性基准测试和可重复性进行设计。作为初始贡献，我们复现了 18 项最新光子和混合 QML 工作，涵盖核方法、滞后计算、卷积和循环体系结构、生成模型以及现代训练范式。这些复现以可重用、模块化实验的形式发布，这些实验可以直接扩展和适应，建立与现代人工智能中广泛采用的数据驱动基准测试方法一致的共享实验基准。通过将光子量子模型嵌入既有的机器学习生态系统，MerLin 允许实践者利用现有工具进行消除研究、跨模态比较以及混合经典-量子工作流程。该框架已经实现了硬件感知功能，允许在可用量子硬件上进行测试，同时支持超越当前能力的探索，将 MerLin 定位为一个面向未来的协设计工具，链接算法、基准测试和硬件。
引用
@article{arxiv.2602.11092,
title = {MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning},
author = {Cassandre Notton and Benjamin Stott and Philippe Schoeb and Anthony Walsh and Grégoire Leboucher and Vincent Espitalier and Vassilis Apostolou and Louis-Félix Vigneux and Alexia Salavrakos and Jean Senellart},
journal= {arXiv preprint arXiv:2602.11092},
year = {2026}
}
备注
Accepted to IJCNN SS07 Quantum Machine Learning Algorithms and Applications, IEE WCCI 2026