在他们的模拟系统中，图像数据首先使用一种称为主成分分析 (PCA) 的过程进行简化，该过程在保留关键特征的同时减少了信息量。系统会生成一个复杂的光子态，并将数据编码到该光子态上，然后在量子库中进行处理——光子之间的干涉会产生用于图像识别的丰富而复杂的模式。该系统仅需要在最后阶段（一个简单的线性分类器）进行训练，从而使整体方法既高效又能有效地进行准确的图像识别。图片来源：本研究第一作者、日本冲绳科学技术大学院大学量子信息科学与技术部门成员樱井昭忠/日本冲绳科学技术大学院大学

十多年来，玻色子采样（一种基于光粒子的量子计算协议）一直被视为证明量子计算优于经典计算的重要里程碑。尽管已有实验表明玻色子采样难以用经典计算机模拟，但其实际用途一直尚未明确。日本冲绳科学技术大学院大学研究团队近日在《光学量子》期刊上报告，他们首次将玻色子采样用于图像识别这一关键任务，为量子人工智能（AI）在现实世界中的应用打开了新窗口。

团队仅使用三个光子和一个线性光学网络，就构建出可用于图像分类的量子AI系统。图像识别广泛应用于刑侦分析、医学诊断等领域。团队此次提出的低能耗、混合型量子方法展现出极强潜力，向量子AI的落地迈出关键一步。

玻色子（如光子）遵循玻色—爱因斯坦统计。要理解玻色子采样的原理，可以想象一个“弹珠钉板”游戏：把一颗颗弹珠从上方放下，弹珠会在钉子间碰撞、反弹，最后落到下方的格子里，落点多集中在中间位置，形成一个类似钟形的分布图。但如果把弹珠换成光子，情况就完全不同了。光子不像弹珠那样只是“撞来撞去”，它们具有波动性，就像水波一样，可相互叠加、干涉。这种干涉效应让它们在穿过一个复杂光学网络时，产生出极为复杂的落点分布，不再是简单的对称图形，而是一个连超级计算机都难以准确预测的图案。

为开发图像识别系统，团队设计了一种新型量子AI架构。在模拟实验中，灰度图像数据首先被压缩处理，并编码到单光子的量子态中。随后，这些光子被注入一个复杂的光学网络（量子水库），在其中干涉形成丰富的高维模式。探测器记录光子的输出位置，反复采样形成玻色子采样的概率分布。最终，这些量子输出与原始图像数据结合，通过一个简单的线性分类器进行识别。

实验结果显示，该系统在所有测试图像数据集上均表现优异，准确率显著高于传统同规模的机器学习方法。