光子量子增强知识蒸馏
量子物理
2026-03-17 v1 新兴技术
机器学习
摘要
光子量子处理器天然产生内在随机的测量结果，提供一种可被利用的硬件级结构随机性源，用于机器学习训练。本文引入光子量子增强知识蒸馏 (PQKD)，这是一种混合光子-量子-经典框架，其中可编程光子电路生成紧凑的条件信号，以约束和引导在从高容量教师蒸馏期间的高效学生网络。PQKD 用字典卷积取代完全可训练的卷积核：每一层仅学习一小组共享的空间基准滤波器，而样本依赖的通道混合权重来自shots限制的光子特征并通过固定线性变换映射。训练在标准梯度优化学生和采样-鲁棒、无梯度更新光子参数之间交替进行，避免通过光子硬件进行微分。在 MNIST、Fashion-MNIST 和 CIFAR-10 上，PQKD 追踪可控的压缩-精度边界，在较简单的基准测试下，在激进的卷积压缩下仍保持接近教师性能。性能随有限采样而可预测地下降，符合shot噪声比例，且指数移动平均特征平滑抑制了高频shot噪声波动，在中等shot预算下扩展了实际运行 regime。
引用
@article{arxiv.2603.14898,
title = {Photonic Quantum-Enhanced Knowledge Distillation},
author = {Kuan-Cheng Chen and Shang Yu and Chen-Yu Liu and Samuel Yen-Chi Chen and Huan-Hsin Tseng and Yen Jui Chang and Wei-Hao Huang and Felix Burt and Esperanza Cuenca Gomez and Zohim Chandani and William Clements and Ian Walmsley and Kin K. Leung},
journal= {arXiv preprint arXiv:2603.14898},
year = {2026}
}