量子科技中心_量科网

光量子处理器天然产生具有内在随机性的测量结果，为机器学习训练提供了硬件原生的结构化随机性来源。在此，该团队提出“光子量子增强知识蒸馏”(PQKD)——一种融合量子光学与经典计算的混合框架，其核心在于利用可编程光子电路生成紧凑的条件信号，在从高容量教师网络蒸馏知识时约束并指导参数高效的学生网络。PQKD采用字典卷积替代完全可训练的卷积核：每层仅学习少量共享的空间基滤波器，而样本相关的通道混合权重则源自光子测量有限样本的特征，并通过固定线性变换映射获得。训练过程交替进行：对学生网络采用标准梯度优化，而对光子参数则实施抗采样噪声的免梯度更新，避免对光子硬件进行微分运算。在MNIST、Fashion-MNIST和CIFAR-10数据集上的实验表明，PQKD能够实现精度-压缩率的可控平衡，在简单基准测试中即使采用激进的卷积压缩仍能接近教师网络性能。随着采样次数有限，性能下降符合散粒噪声标度律，且指数移动平均特征平滑有效抑制了高频散粒噪声波动，从而在中等采样预算下扩展了实用操作区间。