光子量子机器学习中的噪声模型影响及缓解策略

光子量子机器学习 (PQML) 是一种新兴方法，通过结合光子量子计算技术与机器学习技术实现可扩展、低能耗的量子信息处理。光子技术具有以下优势：室温运行；快速（低延迟）信号处理；以及在高维 (Hilbert) 空间中表示计算，使其成为近期量子设备开发的理想候选。然而，噪声仍是限制 PQML 实现性能、可靠性和可扩展性的主要因素。本综述提供了关于影响 PQML 实现的噪声来源的详尽且系统的分析。我们将介绍主要光子量子计算机设计概述，并总结已成功使用光子量子计算机架构实现的各种量子机器学习算法，如变分量子电路、量子神经网络和量子支持向量机。我们识别并分类了光子量子系统中的主要噪声来源，以及这些噪声在特定算法中对学习精度降低、训练不稳定以及收敛速度减慢的影响。此外，我们审阅了传统和先进的噪声表征技术，并提供了广泛的缓解噪声对学习性能影响的策略。最后，我们讨论了近期进展，表明 PQML 在真实场景中能够在具有现实噪声条件下运行，并探讨了将挑战 PQML 作为有效量子处理平台的未来障碍。