在由玻色量子協(xié)辦的第二屆APMCM“五岳杯”量子計算挑戰(zhàn)賽上，來自北京理工大學(xué)（BIT）的兩支參賽隊伍榮獲銀獎，其中一支隊伍就是QuBIT團隊。該團隊由北京理工大學(xué)管理學(xué)院張玉利教授指導(dǎo)，依托玻色量子550計算量子比特的相干光量子計算機，成功完成了人工智能領(lǐng)域機器學(xué)習(xí)中特征選擇問題真實場景的技術(shù)突破與應(yīng)用升級——提出了兩種基于量子優(yōu)化的特征選擇方法：量子線性判別分析技術(shù)（Q-LDA）和基于量子受限玻爾茲曼機（Q-RBM）的特征選擇方法。

實驗結(jié)果證明，Q-LDA方法在智駕數(shù)據(jù)集優(yōu)勢明顯，相比傳統(tǒng)方法，AUC曲線值提升10%，量子方法準確率達98%，真機實驗計算平均時間低于10毫秒；Q-RBM方法在MNIST圖像分類數(shù)據(jù)集上實現(xiàn)了0.98的AUC值，驗證了這兩種方法在可預(yù)見量子硬件環(huán)境中的可行性。

QuBIT團隊提出的兩種模型在特征選擇任務(wù)中表現(xiàn)出色，在機器學(xué)習(xí)領(lǐng)域具有更廣泛的應(yīng)用潛力。隨著量子計算技術(shù)的不斷發(fā)展，該方案可支持更大規(guī)模的計算任務(wù)，顯著提升人工智能的計算優(yōu)勢，為量子計算賦能人工智能搭建橋梁，也將在智能駕駛精細化感知、實時響應(yīng)決策中展現(xiàn)強大的優(yōu)越性。

高維數(shù)據(jù)在機器學(xué)習(xí)訓(xùn)練任務(wù)中非常常見，數(shù)據(jù)特征的“維數(shù)詛咒”可能會導(dǎo)致昂貴的計算和過擬合問題，從而降低機器學(xué)習(xí)模型的性能。特征選擇作為應(yīng)對維數(shù)災(zāi)難的關(guān)鍵技術(shù)，在保持可解釋性的同時，通過選擇重要特征并消除冗余信息，可有效減小問題大小并提高模型準確性。在大數(shù)據(jù)領(lǐng)域，特征選擇技術(shù)已廣泛應(yīng)用于文本挖掘、計算機視覺和故障診斷等多個領(lǐng)域。

然而，從高維特征空間中找到有利于提高訓(xùn)練精度的特征子集是一個NP-Hard問題。傳統(tǒng)的方差篩選、Lasso等方法往往依賴貪婪策略，難以兼顧全局最優(yōu)和計算效率；卷積網(wǎng)絡(luò)雖擅長局部紋理，卻難捕捉高階共現(xiàn)，RBM又受限于馬爾可夫鏈收斂緩慢。因此，QuBIT團隊針對兩種不同類型的機器學(xué)習(xí)應(yīng)用場景，分別給出了基于量子計算技術(shù)的特征選擇方法，通過將正交判別分析和RBM能量函數(shù)雙雙映射為QUBO模型，再借助弱保持性預(yù)處理和量子退火采樣，既保證全局最優(yōu)等價性，又平均壓縮近8%的變量規(guī)模，還可在“卷積+ QRBM”混合框架中快速逼近最低能態(tài)，實現(xiàn)自動化全局特征選擇與深度表征學(xué)習(xí)。

以下為獲獎?wù)撐牡闹饕獌?nèi)容：

智能輔助駕駛技術(shù)中存在從很多高維空間中選擇、提取有效特征的問題，為了保證決策的安全性，這類問題往往需要在極短時間內(nèi)被高質(zhì)量地求解。QuBIT團隊利用量子優(yōu)化技術(shù)的強大計算優(yōu)勢，以解決高維特征選擇中的NP難題為出發(fā)點，提出了兩條互補的研究路徑：量子線性判別分析（Q-LDA），以及量子受限玻爾茲曼機（Q-RBM）嵌入卷積神經(jīng)網(wǎng)絡(luò)（CNN）框架。

傳統(tǒng)特征選擇方法在大規(guī)模數(shù)據(jù)和高維空間中易陷入局部最優(yōu)、計算開銷巨大的痛點，而相干光量子計算機在求解二次無約束二元優(yōu)化（QUBO）問題上具有天然優(yōu)勢。本研究提出的Q-LDA方法通過將線性判別分析中的正交最優(yōu)投影方向選擇轉(zhuǎn)化為一個QUBO問題，利用量子并行搜索能力，可顯著提升了機器學(xué)習(xí)模型的全局搜索能力；Q-RBM方法則將Kaiwu SDK中的量子退火算法應(yīng)用于受限玻爾茲曼機的能量函數(shù)優(yōu)化，為CNN的特征提取提供了強有力的無監(jiān)督補充。

研究整體技術(shù)框架概覽

用于多維特征選擇的量子線性

判別分析算法（Q-LDA）

線性判別分析是一種監(jiān)督式分類模型，旨在將分類訓(xùn)練集中的所有數(shù)據(jù)樣本投影到特征空間中的一個方向上，以便同一類的樣本盡可能彼此靠近，而不同類的樣本盡可能相距甚遠。線性判別分析的關(guān)鍵是找到一個投影方向，若將線性判別分析應(yīng)用于特征選擇，只需把特征投影到線性空間中正交于坐標軸的方向上即可。借助量子計算在求解QUBO問題的優(yōu)勢，基于量子優(yōu)化的線性空間正交判別分析可有效選出用于特征選擇的投影向量。

正交線性判別分析思路

面對智能輔助駕駛中的多模態(tài)傳感數(shù)據(jù)特征選擇問題，QuBIT團隊通過基于量子線性空間正交判別分析的特征選擇技術(shù)，建立了智能駕駛場景下特征選擇的QUBO模型，同時為解決量子硬件上量子比特數(shù)量受限的問題，還進一步借助“弱保持性”的變量約簡理論，將生成的QUBO與最大加權(quán)穩(wěn)定集問題（MWSSP）建立等價映射，使得QUBO模型在求解之前可以預(yù)先固定一批最優(yōu)變量，使得問題的平均變量規(guī)模降低8%。

基于弱保持性的變量約簡技術(shù)

在數(shù)值驗證階段，團隊在智能駕駛傳感器數(shù)據(jù)集（ADAS-EV）和德國信用風(fēng)險評估數(shù)據(jù)集上對Q-LDA方法進行了詳細的實驗驗證。在ADAS-EV實驗中，采用OneHot編碼處理分類特征，構(gòu)建QUBO模型并完成特征選擇，計算結(jié)果證明約簡量子零空間判別分析方法在高維智駕數(shù)據(jù)集上優(yōu)勢明顯。相比于傳統(tǒng)的基于方差和相關(guān)性的特征選擇和基于范數(shù)的Lasso方法，AUC曲線值分別提升10%和6%；量子方法準確率達98%，分別提升12%和14%；真機實驗計算平均時間低于10毫秒，可滿足實時決策。

智能駕駛輔助決策數(shù)據(jù)集特征選擇QDA技術(shù)ROC-AUC曲線

在信用風(fēng)險評估實驗中，同樣驗證了該方法的顯著優(yōu)勢，證明算法泛化性能很強。相比于傳統(tǒng)方法和當前文獻中最佳的方法，AUC曲線值提升3%；量子方法準確率相比于最佳方法提升3%；量子優(yōu)勢大幅縮短計算時間。

基于量子優(yōu)化的

Q-RBM-CNN算法

面對視覺感知特征解析任務(wù)，為了優(yōu)化傳統(tǒng)的圖像分類模型——卷積神經(jīng)網(wǎng)絡(luò)（CNN），QuBIT團隊提出了一種結(jié)合受限玻爾茲曼機（RBM）算法的混合模型。傳統(tǒng)CNN中降低問題規(guī)模的池化層是基于人類的直覺設(shè)計的，而不是基于計算機的理解，這可能導(dǎo)致信息丟失、模型特征捕捉能力受限。RBM作為一種無監(jiān)督學(xué)習(xí)算法，具有強大的特征提取能力，在處理復(fù)雜圖像數(shù)據(jù)時能夠提取更深層次的特征表示，從而有效提高分類模型的性能，故廣泛用于特征學(xué)習(xí)、降維和生成模型等任務(wù)，受限玻爾茲曼機的特殊結(jié)構(gòu)使其能夠應(yīng)用量子優(yōu)化技術(shù)。通過將RBM嵌入到CNN中，目標改進傳統(tǒng)CNN的特征學(xué)習(xí)過程，從而提高圖像分類的準確性和效率。

模型首先通過三層卷積提取圖像的局部紋理與邊緣特征，隨后將所得特征向量展平并送入RBM無監(jiān)督學(xué)習(xí)層。由于RBM的能量函數(shù)天然具備二次二元優(yōu)化結(jié)構(gòu)，可直接映射為QUBO形式并由Kaiwu SDK的量子退火算法在采樣階段快速逼近最低能態(tài)，RBM層便在降維的同時掌握了數(shù)據(jù)的高階共現(xiàn)模式；最后，降維后特征經(jīng)兩層全連接網(wǎng)絡(luò)完成分類輸出。由此，該結(jié)構(gòu)設(shè)計便能兼顧卷積層的局部感知優(yōu)勢與Q-RBM的全局能量最優(yōu)化能力，實現(xiàn)了“有指導(dǎo)的無監(jiān)督”特征學(xué)習(xí)。

CNN–RBM混合模型示意

在經(jīng)典手寫數(shù)字圖像數(shù)據(jù)集MNIST上，該混合模型經(jīng)參數(shù)調(diào)整后（卷積通道數(shù)16，RBM可見層維度512、隱藏層維度32，Batchsize = 64，訓(xùn)練輪次= 10，學(xué)習(xí)率= 0.001），通過Kaiwu SDK對Q-RBM層權(quán)重進行采樣優(yōu)化，再聯(lián)合CNN權(quán)重迭代更新，最終在測試集上實現(xiàn)了0.9777的平均AUC。該結(jié)果不僅超越了純CNN基線，也在超過8個標準差置信度下顯著驗證了高維量化特征學(xué)習(xí)的有效性。

Q-RBM-CNN在MNIST數(shù)據(jù)集上的ROC-AUC曲線

在完成上述大規(guī)模數(shù)值實驗之后，QuBIT團隊還對兩種量子優(yōu)化模型的整體性能和應(yīng)用前景進行了深入評估。

首先就Q-LDA而言，在德國信貸數(shù)據(jù)集上，Q-LDA不僅提高了分類準確率和AUC，還顯著減少了后續(xù)模型訓(xùn)練時所需的特征維度，從而降低了計算開銷；在ADAS-EV傳感數(shù)據(jù)集中，五個關(guān)鍵特征即可支撐98%的預(yù)測準確度和近0.98的AUC，充分驗證了QUBO求解方法在不同領(lǐng)域特征提取中的穩(wěn)定性與通用性。此外，通過引入弱保持性預(yù)處理，不僅平均壓縮了8%的決策變量，還保障了QUBO最優(yōu)解與原始判別模型解的等價性，為量子算法在高維場景下的可擴展應(yīng)用奠定了理論與實踐基礎(chǔ)。

對于CNN-Q-RBM混合模型，其在MNIST數(shù)據(jù)集上取得良好的分類準確率與0.9777的平均AUC，超過了純CNN基線，并在超過八個標準差的置信度下穩(wěn)定復(fù)現(xiàn)，證明了Kaiwu SDK在優(yōu)化RBM能量函數(shù)、提煉高階圖像特征方面的獨特價值。受限玻爾茲曼機層所學(xué)習(xí)到的無監(jiān)督潛在表征，有效補強了卷積層在局部紋理提取之外的全局關(guān)聯(lián)捕捉能力，使得模型在保持可解釋性的同時兼具更強的泛化性能。ROC曲線結(jié)果反映，不同數(shù)字類別的識別邊界在低誤警與高召回區(qū)域均表現(xiàn)優(yōu)異，展現(xiàn)了量子優(yōu)化抽樣在復(fù)雜多類別分類任務(wù)中的應(yīng)用潛力。

此次APMCM“五岳杯”量子計算挑戰(zhàn)賽，眾多優(yōu)秀參賽團隊依托玻色量子550量子比特相干光量子計算機，成功完成了AI、金融、生物制藥等眾多行業(yè)真實場景的技術(shù)突破與應(yīng)用升級。未來，玻色量子將聯(lián)合中國信息通信研究院、移動云、北京圖象圖形學(xué)學(xué)會等舉辦更多的量子計算挑戰(zhàn)賽，大力培養(yǎng)更多的量子實用化優(yōu)秀人才。

關(guān)于第二屆APMCM“五岳杯”量子計算挑戰(zhàn)賽

第二屆APMCM“五岳杯”量子計算挑戰(zhàn)賽是由中國信息通信研究院、中國移動云能力中心、北京圖象圖形學(xué)學(xué)會主辦，北京玻色量子科技有限公司協(xié)辦，國內(nèi)最具影響力的量子計算創(chuàng)新賽事。旨在讓高校學(xué)生體驗真實量子算力，探索創(chuàng)新項目，建立實用化量子計算基礎(chǔ)研究，加強培養(yǎng)量子計算人才隊伍，持續(xù)完善“量子計算+”產(chǎn)學(xué)研用生態(tài)建設(shè)。自第二屆大賽啟動以來，共有近2000支隊伍，近5000人報名競賽，玻色量子研發(fā)的Kaiwu SDK調(diào)用量達數(shù)百萬次。通過本次競賽，玻色量子聯(lián)合移動云與中山大學(xué)、哈爾濱工業(yè)大學(xué)、中南大學(xué)、北京理工大學(xué)等眾多國內(nèi)知名高校達成深度合作，共同賦能量子應(yīng)用創(chuàng)新，共同建設(shè)數(shù)字中國量子生態(tài)體系。