近日，澳大利亚新南威尔士大学团队把量子机器学习成功用于一组基于金属纳米粒子的阻性化学传感器阵列上，借此优化了污水监测数据的处理方式。
研究期间，研究人员开发出一种自适应量子核算法，这种方法在压缩数据的同时，能比传统的方法比如主成分分析方法，保留更多的数据结构信息。
（来源：Advanced Science）
实验结果表明，经过这种量子压缩后的数据，在后续基于机器学习的处理过程中，表现出了更好的评估分数。即使数据量减少，关键特征信息仍能得到更好保留，最终使检测结果更加可靠。
为了进一步验证量子优势，研究人员还专门合成一些人工数据集，测试结果依然显示这种量子压缩方法确实能够更有效地保留数据的核心特征，而传统方法在某些情况下可能会丢失部分重要信息。
这不仅说明量子机器学习在数据压缩方面具备一定潜力，同时也为量子计算和传感器技术的结合提供了更多可能性。
日前，相关论文以《自适应性量子核主成分分析用于化学电阻式传感器阵列的紧凑读出》（Self-Adaptive Quantum Kernel Principal Component Analysis for Compact Readout of Chemiresistive Sensor Arrays）为题发在 Advanced Science，王泽恒是第一作者兼通讯作者 [1]。
图 | 相关论文（来源：Advanced Science）
本次研究成果有着广泛的应用潜力，特别是在物联网和边缘计算等领域。正如研究人员的实验结果和审稿人的评价所指出的，本次提出的自适应量子核主成分分析方法能够在高维数据压缩的同时，能够比传统主成分分析方法保留更多的结构信息。这使得它在一些计算资源有限、但需要高效数据处理的场景中具有明显的优势。
首先，在边缘计算领域，本次方法非常适用于那些“高性能计算或存储技术无法使用的场景”，比如智能传感网络、远程环境监测系统、工业物联网等。
在这些系统中，传感器通常布置在偏远或资源受限的环境中，如无人机监测站、极端天气条件下的气象站、深海或太空探索设备等。这些设备的计算能力和存储能力往往受限，但需要处理大量的实时数据。
研究人员的量子压缩方法可以在传感器本地处理数据，减少传输负担，从而提高系统的响应速度和能效。
其次，在智慧交通领域、医疗大数据领域等数据结构复杂的分析中，本次方法可被用于高维数据的降维与优化。
由于这些数据通常存在高维特性且噪声较多，传统的降维方法在压缩数据的同时，可能损失关键的生物信息。而研究人员的量子压缩方法在保留数据结构信息的同时，还能提高后续机器学习模型的准确性，使得交通疏导、个性化治疗等方面的分析更加高效。
随着量子计算硬件的发展，未来本次方法还有可能在金融投资建模、材料科学计算等更广泛的领域发挥作用。
这些应用不仅可以帮助降低数据处理的计算成本，同时还能提高模型的可靠性和预测能力，推动量子机器学习在实际应用中的落地。
（来源：Advanced Science）
如何既减少数据量又保留关键信息？
量子计算被视为下一代计算范式，它能够利用量子叠加和纠缠等特性，在某些特定问题上实现比经典计算更快的求解能力。这种计算加速被称为“量子优势”。
过去几十年，研究者们提出了许多量子算法，并在理论上证明它们在理想条件下能够显著超越经典计算。然而，受限于当前量子硬件的成熟度，这些算法的实际验证依然面临巨大挑战。
主要的困难在于，现有量子计算设备的计算保真度尚不理想，量子态在演化过程中会受到噪声的影响，导致计算精度随不断运算而逐步降低。这使得当前量子计算机难以直接运行大规模、深度复杂的量子算法。
因此，尽管学界在硬件研发上不断取得突破，但噪声问题仍然是未来一段时间内不可忽视的瓶颈。为应对这一挑战，人们提出了“含噪声的中等规模量子计算”（NISQ，Noisy Intermediate-Scale Quantum Computing）的概念，即研究如何在现有的中等规模量子芯片（通常指数个到数百个量子比特）上，利用算法优化和噪声适应策略，在短期内实现实用性计算优势。
在这一背景下，量子机器学习被认为是 NISQ 时代最有潜力实现量子优势的研究方向之一。其核心思想是利用量子计算的特性，将某些经典计算难以处理的问题（如高维数据分类、回归）映射到量子态空间，以实现高效求解。
因其具备一定的噪声自适应能力，使得量子机器学习在 NISQ 硬件上具有独特的计算优势，有望在量子计算尚未实现大规模容错纠错前，率先在某些特定领域超越经典计算。
同时，它也可能能为未来高密度量子比特芯片的发展提供应用驱动力，促进量子计算技术在实际应用中的落地，推动学术界、工业界和市场的良性循环发展。
而在传统上，基于金属纳米粒子的阻性化学传感器系统存在两个特点：
一是制造相对简单，但数据是通过检测电阻变化来识别不同化学物质的，读取和处理过程的能耗相对较高；
二是单个传感器的检测能力有限，所以通常需要多个传感器协同工作，导致生成的数据维度很高，而高维数据往往会增加计算和存储的压力。
在之前的研究里，本次研究人员已经使用传统机器学习的方法优化了传感器的选择。
尽管降低了能耗，但数据压缩仍然是一个挑战，特别是当数据需要在边缘计算设备上处理时，如何既减少数据量又保留关键信息就成为一个需要解决的问题。为此，他们在本次研究之中用量子机器学习来进一步优化数据压缩。
（来源：Advanced Science）
希望能为量子-经典混合计算模式奠定基础
本次研究是新南威尔士大学多个研究团队紧密合作的成果。王泽恒所在团队主要研究量子机器学习，而化学阻性传感器的制造和测试则由另一支团队负责。
最初，大家对彼此的领域并不熟悉，因此需要一边交流一边学习。比如，王泽恒所在团队提出理论上量子主成分分析可用于数据压缩，但是传感器团队担心它在真实数据上是否有效。为此，他们决定设计不同工况的数据集进行测试，确保方法不仅在理论上可行，也能在实验数据上展现优势。
密集的讨论会几乎成了研究的一部分，他们经常围着白板推导公式、分析实验数据。一次分析中，他们发现量子核主成分分析在某些复杂环境下表现不如预期，这促使研究人员调整核函数，设计出了自适应量子核方法。
后来，当他们看到这种量子压缩方法真正展现出比传统方法更强的信息保留能力时，都感到非常的激动。
目前，研究人员正在联系几家提供商业量子计算服务的公司，希望通过合作利用更高性能的量子计算设备，进一步拓展量子机器学习的应用场景。
本次研究已经验证了自适应量子核方法在特定数据集上的优势，但受限于现有硬件，研究人员主要是在模拟环境或较小规模的数据集上进行测试。
因此，下一步的重点是在更大规模的数据集、更复杂的应用场景下，探索量子机器学习的实际可行性，以及观察其在真实工业应用所能达到的效果。
与此同时，研究人员也想知道在 NISQ 时代，量子机器学习是否能在现有硬件条件下展现出超越经典方法的实际优势？例如，在更复杂的物联网数据流、医疗大数据、实时交通监测等场景中，自适应量子核方法是否仍然能够有效提升数据压缩和信息提取能力？这也是他们接下来要重点研究的问题。
同时，他们也在考虑通过进一步优化算法，探索如何让自适应量子核方法在不同的噪声环境下变得更稳定，以及探索如何结合经典 AI 技术来提升整体计算效率。
而这一系列研究的最终目标是加快量子技术在实际行业中的落地，研究人员希望通过与商业量子计算公司的合作，让量子计算尽早在真实应用场景中展现价值，为未来的量子-经典混合计算模式奠定基础。
参考资料：
1.Wang, Z., van der Laan, T., & Usman, M. Self‐Adaptive Quantum Kernel Principal Component Analysis for Compact Readout of Chemiresistive Sensor Arrays. Advanced Science, 2411573(2025). https://doi.org/10.1002/advs.202411573
运营/排版：何晨龙
01/
02/
03/
04/
05/
