导语

在人工智能飞速发展的今天，经典神经网络正面临着算力瓶颈和模型规模不断膨胀的挑战。与此同时，量子计算凭借其独特的叠加与纠缠特性，被视为下一代计算的颠覆性力量。当这两个顶流技术相遇，量子神经网络（Quantum Neural Network, QNN） 应运而生。它究竟是炒作还是未来？本文将带你深入了解QNN的基本原理、核心优势以及它在医疗、图像识别等领域的最新应用。

一、什么是量子神经网络？

量子神经网络是基于量子力学原理设计的新型网络模型。这个概念最早由美国路易斯安那州立大学的Kak教授于1995年提出，他在《On Quantum Neural Computing》一文中首次开创了量子神经计算的先河。

简单来说，QNN并非简单地用量子计算机运行传统的神经网络，而是试图将人工神经网络模型与量子信息（如量子比特、量子门）的优势相结合，以期开发出更高效的算法。经典的神经网络模型，特别是在处理大数据应用时，往往面临着训练困难的问题。研究者希望利用量子并行性、量子纠缠以及干涉效应，来解决这些经典难题。

需要明确的是，目前QNN的研究尚处于起步阶段。许多研究是基于用量子比特取代经典二进制神经元的想法，这使得神经单元可以处于“激活”和“未激活”状态的叠加态，从而拥有比经典神经元更丰富的信息表达能力。

二、为什么需要QNN？它的核心优势

相比于传统的深度神经网络（DNN），量子神经网络在理论上具有以下诱人的优势：

1. 更快的计算速度：利用量子并行性，一个n位量子寄存器可以同时保存2的n次方个状态。一次运算可以产生2的n次方个运算结果，相当于经典计算机2的n次方次操作。这为解决海量数据计算提供了全新思路。

2. 更高的记忆容量：量子系统的高维希尔伯特空间提供了指数级的存储能力。

3. 更小的网络规模：由于单个量子神经元可以表达多个状态，处理相同复杂度问题所需的神经元数量远少于经典网络。

4. 可消除灾变性失忆：这在持续学习任务中至关重要，意味着QNN在学习新知识时，可能不会像经典神经网络那样轻易忘记旧知识。

三、核心原理：量子神经元如何工作？

为了让你更直观地理解，我们可以将QNN的工作流程简化为以下几个步骤（基于变分量子电路的思想）：

1. 数据编码（将经典数据送入量子世界）：
   首先，我们需要将经典的输入数据（如图片的像素值）转换为量子态。常见的方法如角度编码（Angle Embedding），将数据向量的每一个特征值旋转为量子比特的RX、RY门的旋转角度。
   x→∣ψ(x)⟩x→∣ψ(x)⟩

2. 量子变分层（可训练的黑盒）：
   编码后的量子态被输入到一系列参数化量子电路中。这些电路通常由旋转门（如Ry, Rz）和纠缠门（如CNOT）组成。这就是QNN的“隐藏层”。通过调整电路中的参数（旋转角度），网络可以学习数据中的复杂模式。
   ∣ψ(x,θ)⟩=U(θ)∣ψ(x)⟩∣ψ(x,θ)⟩=U(θ)∣ψ(x)⟩

3. 测量与输出（从量子世界回到经典世界）：
   在电路的末端，我们需要对量子态进行测量。测量会导致量子态坍缩，得到经典的概率值。这个概率值经过后处理（如加上偏置项或经过Softmax函数），就得到了网络的最终预测结果，比如判断一张图片是猫还是狗的概率。
   f(x,θ)=⟨ψ(x,θ)∣Z∣ψ(x,θ)⟩f(x,θ)=⟨ψ(x,θ)∣Z∣ψ(x,θ)⟩

这个流程构成了一个典型的混合量子-经典神经网络（HQNN）架构。在这种架构中，量子计算机负责执行高维特征的映射，而经典的计算机则负责控制参数优化（如梯度下降）。

四、主要模型：百花齐放的HQNN家族

目前的QNN研究主要集中在混合架构上，因为当下的量子计算机处于NISQ阶段，即存在噪声、规模有限。以下是几种主流的混合量子神经网络模型：

1. 量子卷积神经网络（QCNN）

与经典CNN类似，QCNN也包含“卷积”和“池化”的概念。但在QCNN中，卷积层是通过在不同量子比特上应用参数化量子门来实现特征提取的，而池化则通过对部分量子比特的测量和重置来减少维度。它特别适合处理具有层级结构的数据。

2. 变分量子电路（VQC）

这是许多QNN的基础模块。VQC是一种参数化的量子电路，其参数由经典优化器更新。它常被用作分类任务的“头部”，附加在经典的特征提取器之后。

3. Quanvolutional Neural Network（QuanNN）

这是一种非常巧妙的模型。它模仿了经典卷积层的滑动窗口机制，但将卷积核替换为了一个参数化量子电路。当量子滤波器（电路）在输入图像上滑动时，它将局部的图像数据编码进量子态，经过量子变换后再测量输出，从而生成新的特征图。研究表明，在某些噪声环境下，QuanNN表现出比QCNN更强的鲁棒性。

4. 混合架构（H-QNN）

以WiMi公司提出的H-QNN为例，该结构分为三大模块：

• 特征降维与编码模块：利用经典CNN提取图像的浅层特征，并进行PCA降维。

• 量子态变换模块：核心量子处理单元，包含多层带有参数化旋转门和受控纠缠门的量子电路，负责高维非线性映射。

• 混合决策与迁移学习模块：将量子电路的测量结果与经典特征融合，输入到Softmax层进行分类。

五、前沿应用：从医疗诊断到基因组学

近年来，QNN的应用研究呈现爆炸式增长，尤其是在数据复杂、维度高的生物医疗领域。

1. 脑卒中预测（QBrainNet）

2025年10月发布的一项研究中，学者提出了QBrainNet模型用于医学影像的脑卒中预测。该模型结合了QNN与变分量子电路（VQC）进行分类优化。实验结果显示，QBrainNet在准确率上达到了96%，AUC-PR达到0.97，显著优于传统的CNN、SVM等模型。更关键的是，其推理时间更短，为实时临床应用提供了可能。研究者认为，量子特性（纠缠和叠加）使得模型能够提取影像中与中风相关的、经典方法无法捕捉的非线性高维模式。

2. 阿尔茨海默病早期检测（QENNA）

面对阿尔茨海默病的早期诊断难题，传统的CNN往往会忽略大脑MRI影像中微弱的生物标志物（如早期皮层变薄）。QENNA模型应运而生，它将量子卷积层与经典深度学习相结合，并引入了量子数据增强策略（如量子生成对抗网络QGANs和量子随机游走）。实验证明，QENNA在MRI数据集上的准确率高达93.0%，AUC达96.0%，其量子组件显著提升了捕捉微弱信号的能力。

3. DNA突变预测（QuanGAT）

在基因隐私保护方面，QuanGAT框架首次将量子神经网络、图注意力网络（GAT）和联邦学习相结合。它在蛋白质-蛋白质相互作用网络上进行DNA突变预测。通过在联邦学习环境中引入量子噪声（如退极化信道）和差分隐私机制，QuanGAT在保证数据隐私的同时，预测准确率比最先进的图神经网络提升了4.5%，F1分数提升了6.3%。

4. 图像多分类

企业界也在积极布局。WiMi推出的H-QNN通过创新的参数共享策略和基于量子保真度的早停法，有效缓解了量子神经网络中常见的梯度消失问题，在多分类任务中表现出更好的稳定性和泛化能力。

应用领域	代表模型/项目	核心优势
脑卒中预测	QBrainNet	准确率高达96%，推理时间短，可捕捉影像中的非线性高维模式
阿尔茨海默病检测	QENNA	准确率达93%，能捕捉MRI中微弱信号，结合量子数据增强
DNA突变预测	QuanGAT	结合联邦学习保护隐私，准确率提升4.5%，模拟量子噪声增强鲁棒性
图像多分类	H-QNN（WiMi）	通过参数共享缓解梯度消失问题，具备更强的泛化能力

六、挑战与未来：路在何方？

尽管前景广阔，QNN的研究依然面临严峻挑战：

1. 动力学的冲突：这是最根本的难题。神经计算本质上具有非线性和耗散性，而量子计算遵循的是线性的幺正演化。如何将神经网络的非线性激活函数优雅地融入量子线路，目前仍没有完美的解决方案。

2. NISQ时代的噪声：当前的量子硬件存在严重的噪声和退相干现象。Nature近期的一篇研究指出，不同QNN架构对不同类型的噪声（如比特翻转、相位翻转、退极化）具有不同的鲁棒性。在设计QNN时，需要根据具体硬件的噪声特征进行架构选择。

3. 数据编码瓶颈：将经典数据编码为量子态需要大量的量子门操作，目前的硬件难以支持高维数据的精确编码。像PCA降维+角度编码的策略是目前缓解该问题的常用手段。

4. 梯度消失：随着量子电路层数加深，参数梯度可能会指数级消失，导致网络无法训练。这类似于经典神经网络的梯度消失问题，但在量子领域被称为贫瘠高原现象。

展望未来，QNN的研究方向将主要集中在：开发更具表达力的耗散量子神经网络模型、探索针对特定噪声环境的鲁棒性架构、以及通过量子架构搜索自动化设计高性能量子电路。随着量子硬件的逐步成熟，量子神经网络有望在药物发现、材料模拟、复杂系统优化等领域率先实现量子优势。

结语

量子神经网络是一个典型的交叉学科前沿，它融合了量子物理、计算机科学和神经科学。虽然目前的理论尚未成熟，我们还没有一个能够完全取代经典神经网络的通用QNN模型，但2025年的诸多研究成果已经证明，在特定的高复杂度任务（尤其是医疗影像和基因组学）中，混合量子-经典神经网络已经展现出了超越经典模型的潜力。

从某种意义上说，QNN不仅是在制造更快的计算机，更是在重新定义什么是“计算”与“智能”。未来，当我们真正学会用量子语言讲述神经网络的故事时，或许AGI的大门将由此开启。

---

参考资料

1. 机器之心. 量子神经网络. (含有Kak 1995年原始概念及Hubara 2016年量化工作描述) 

2. PMC. QBrainNet: harnessing enhanced quantum intelligence for advanced brain stroke prediction from medical imaging. (2025) 

3. Nature Scientific Reports. A comparative analysis and noise robustness evaluation in quantum neural networks. (2025) 

4. Bohrium. The quest for a Quantum Neural Network. (Schuld, 2014，关于非线性挑战的经典综述) 

5. ScienceDirect. Quantum neural networks meet federated learning for DNA mutation prediction. (2025) 

6. Bisinfotech. WiMi Unveils Hybrid Quantum Neural Network. (2025，涉及H-QNN具体架构) 

7. 玻色量子. 量子+AI应用：量子计算与神经网络. (基础科普与Qiskit代码示例) 

8. ScienceDirect. QENNA: A quantum-enhanced neural network for early Alzheimer‘s detection using magnetic resonance imaging. (2025)