量子增强的高保真深度学习
机器学习
2025-08-18 v1 人工智能
基因组学
摘要
概率深度学习的根本局限在于其主要依赖高斯先验。这一简化假设阻碍了模型准确捕捉自然数据中复杂非高斯景观的能力，尤其是在复杂生物学数据等要求高精度的领域，严重限制了模型在科学发现中的保真度。基于物理的玻尔兹曼分布提供了更具表达力的替代方案，但在经典计算机上计算上不可行。迄今为止，量子方法受限于量子比特规模和运行稳定性不足，无法满足深度学习中迭代需求的挑战。本文通过引入量子玻尔兹曼机变分自编码器（QBM-VAE），构建了大规模且长期稳定的混合量子-经典架构。我们的框架利用量子处理器高效地从玻尔兹曼分布中进行采样，将其作为深度生成模型中强大的先验。应用于来自多个来源的百万级单细胞数据集，QBM-VAE生成的潜在空间更好地保留了复杂的生物学结构，在包括数据整合、细胞类型分类和轨迹推断等关键任务中持续优于传统基于高斯的深度学习模型，如VAE和SCVI。它还为在深度学习中引入物理先验，以驱动模型获得超越数据限制的科学发现能力提供了典型范例。这项工作展示了在大规模科学问题上实现量子深度学习优势的实际案例，并为开发混合量子AI模型提供了可迁移的蓝图。
引用
@article{arxiv.2508.11190,
title = {Quantum-Boosted High-Fidelity Deep Learning},
author = {Feng-ao Wang and Shaobo Chen and Yao Xuan and Junwei Liu and Qi Gao and Hongdong Zhu and Junjie Hou and Lixin Yuan and Jinyu Cheng and Chenxin Yi and Hai Wei and Yin Ma and Tao Xu and Kai Wen and Yixue Li},
journal= {arXiv preprint arXiv:2508.11190},
year = {2025}
}