分布式光子量子计算上的分布式量子神经网络
该研究团队提出了一种分布式量子-经典框架，该框架将光子量子神经网络（QNNs）与矩阵乘积态（MPS）映射相结合，以实现经典神经网络的参数高效训练。通过利用M模干涉仪的通用线性光学分解和光子计数测量统计，该架构通过混合量子-经典工作流生成神经参数：具有M(M+1)/2可训练参数的光子QNNs生成高维概率分布，这些分布通过具有键维数χ的MPS模型映射到经典网络权重。在MNIST分类上的实证验证表明，光子QT使用3,292个参数（χ=10）实现了95.50%±0.84%的准确率，而使用6,690个参数的经典基线准确率为96.89%±0.31%。此外，在χ=4时实现了十倍的压缩比，相对准确率损失小于3%。该框架在绝对准确率上优于经典压缩技术（权重共享/剪枝）6-12%，同时通过压缩参数的经典部署消除了推理过程中的量子硬件需求。结合现实光子噪声的模拟表明，该框架对近期硬件缺陷具有鲁棒性。消融研究证实了量子必要性：用随机输入替换光子QNNs会使准确率降至随机水平（10.0%±0.5%）。光子量子计算的室温操作、通过空间模式复用的固有可扩展性以及与高性能计算（HPC）集成的架构，为分布式量子机器学习建立了一条实用路径，结合了光子希尔伯特空间的表现力和经典神经网络的可部署性。
