量子科技中心_量科网

图像分类是智能感知的核心任务，传统上遵循先成像后处理的串行流程。然而，冗余的高维图像重建本质上效率低下，在光子受限场景中尤为突出。本研究提出了一种基于量子压缩感知的光子级图像分类方法，将分类任务重新定义为直接面向类别标签的稀疏信号测量问题。通过利用光子量子叠加态的并行性，单个光子即可编码高维图像的完整空间信息。借助衍射深度神经网络，研究人员物理构建了与类别空间对齐的专用测量基，实现了信号依赖的自适应压缩测量。理论上，该方法仅需单次量子投影测量即可提取类别信息，将测量次数从经典压缩感知的对数阶O(Klog(N/K))降低至信息论极限的常数阶M=K=1。实验结果表明：以单光子探测事件为决策标准时分类准确率达69.0%，四光子探测事件时提升至95.0%。该工作实现了能量效率极限下的图像分类，建立了“测量即决策”的新范式，为极端光子预算和恶劣环境下的智能感知系统奠定了基础。