当量子遇上 AI：面向机器学习的量子方法与面向量子系统的机器学习方法

一篇论文研究量子计算与人工智能的双向结合。在量子机器学习方向，提出 Neural Quantum Embedding，通过增大嵌入后类别集合间的迹距离来降低经验风险上界，并在含噪量子硬件上改善分类；又将基于 Hilbert-Schmidt 内积的训练目标扩展到 DQC1，并在 NMR 量子处理器上验证。反向方向则为 surface code 设计基于 Mamba 的神经解码器，推理成本随码距由四次降为二次，并在显式噪声模型下降低逻辑错误率、提高有效阈值。

证据给出的变化是双向的：机器学习方法被用于改进量子系统控制与纠错，量子方法也被用于改进机器学习模型。其中解码器把推理成本随码距的扩展从四次降为二次，并提升有效阈值，属于可量化的性能变化，而以往量子纠错解码常受可扩展性限制。

量子机器学习一侧通过嵌入使不同类别的量子态集合彼此更可分，从而压低与嵌入相关的经验风险上界，并把结论推广到 DQC1 与 NMR 平台；边距分析把量子神经网络表现与量子态区分能力联系起来。量子系统一侧用 Mamba 结构替代 Transformer 做 surface code 解码，在显式噪声假设下减少逻辑错误，并将神经量子态训练中的随机重构解释为切空间岭回归。

若结论可复现，量子纠错解码的算力成本曲线会明显放缓，码距增大时所需推理资源不再按四次增长，有利于把更大码距的解码器部署到实时纠错流程中；边距指标则可能成为量子神经网络选型与调参的替代指标，减少对参数量等指标的依赖。

• 在量子纠错软件栈中试验 Mamba 类解码器，对比现有 Transformer 基线在码距增大时的显存与延迟。
• 为量子机器学习训练流程加入嵌入可分性与边距监控，作为模型选择与早停的辅助信号。
• 在多位移随机重构基础上构建检查点级验证流程，用于神经量子态训练的资源分配。

• Mamba 解码器相对 Transformer 的推理成本与逻辑错误率优势，是否在实验之外的更大码距与更复杂噪声下仍成立？
• Neural Quantum Embedding 与 DQC1 扩展在含噪硬件上的分类提升幅度，是否对其他数据集与硬件稳定复现？
• 边距分布作为泛化预测指标，是否在更广泛的量子神经网络结构与任务上保持优于参数量指标？
• 多位移随机重构带来的额外计算成本，实际是否低于其降低更新方差所节省的训练开销？