基于神经幅值编码的量子视觉场

量子隐式神经表示 (QINR) 包含用于在基于量子比特的量子计算机上进行学习和执行的组件。尽管 QINR 作为一种新兴范式最近取得了显著进展，但其架构和 ansatz 设计、量子力学特性的实用性、训练效率以及与经典模块的相互作用等诸多挑战仍待解决。本文通过引入一种新的 QINR 类型，用于 2D 图像和 3D 几何场学习，统称为量子视觉场 (QVF)，推动了该领域的发展。QVF 采用基于可学习能量流形的神经幅值编码将经典数据编码到量子态矢量中，确保具有意义的希尔伯特空间嵌入。我们的 ansatz 遵循完全纠缠的可学习参数化量子电路设计，进行于实数希尔伯特空间中的量子（单位）运算，实现数值稳定的训练并实现快速收敛。QVF 不依赖经典后处理——与之前的 QINR 学习方法不同——直接采用投影测量从 ansatz 中提取学习信号。实验在量子硬件模拟器上表明，QVF 在各种指标和模型特征（如高频细节的学习）方面优于现有量子方法和广泛使用的经典基础基线。我们还展示了 QVF 在 2D 和 3D 场完成以及 3D 形状插值中的应用，凸显了其实际潜力。