基于稀疏点表示的 Rydberg 量子图像指纹识别

基于量子门的量子图像处理受限于量子比特稀缺和量子态准备的高开销，限制了其在真实几何数据上的适用性。我们引入一种基于中性原子类比量子计算机的量子图像匹配框架，延续了之前的稀疏点表示(SDR)方法。经典预处理流程——Sobel 边缘提取后接 Ramer--Douglas--Peucker(RDP)算法——将输入图像转换为几何忠实的稀疏点云，原子数大幅减少。该原子布局通过 QuEra Aquila 设备的 Bloqade SDK 几乎嵌入到可编程 tweezer 阵列中，其中图像几何被编码为 Rydberg 哈密顿量中距离依赖的 van der Waals 相互作用项。在时间演化后，我们通过两种可观测量提取每个图像的多体指纹：Pearson 归一化的两点相关矩阵编码 blockade 诱导的关联结构，二维静态结构因子在固定波矢网格上计算，生成长度恒定的指纹向量。第一阶段，图像匹配通过指纹向量的余弦相似度完成，这是适用于 Fourier 域描述符的尺度不变度量。第二阶段，将该方法扩展至量子储备计算(QRC)，以显著减少训练数据和训练周期实现机器学习，作为初步的概念验证。使用 Bloqade 软件堆栈的仿真结果确认成功匹配工业对象，常需 fewer than 24 个原子。我们意识到，这是首次将静态结构因子——一种凝聚态量子可观测量——作为类比量子计算环境中的图像检索描述符。