量子 · 别再数比特了，数能级：一个钙离子当五个用，量子神经网络第一次跑进现实

量子机器学习有个尴尬的现状：理论上的优势写在纸上很漂亮，落到含噪声的实验设备上就缩水。原因出在砖块上。现在的方案几乎都用二能级量子比特当神经元——每个粒子只调用两个能级，网络要扩大，就得多加粒子。粒子多了，操作就复杂，误差就累积，算到一半全乱了。11 月 1 日中国科大披露的消息给这条死胡同开了个侧门：李兆凯与林毅恒联合团队在《国家科学评论》发文，首次在实验里实现了基于高维量子神经元的量子神经网络。他们把一个钙离子的五个能级全部用上，在服饰图像数据集的 395 个测试样本上跑出了 95.7% 的分类准确率。

换个方向扩容

先算一笔账。二能级方案想扩大计算空间，路只有一条：加粒子。10 个比特不够就上 20 个，20 个不够就上 50 个。每加一个粒子，就多一份操控负担、多一条误差累积的路径。NISQ 设备上粒子本来就金贵，这条路越走越挤。

科大团队的思路是掉头向内。量子载体通常有一串可利用的能级，常规二能级编码只动了其中一小部分——剩下的能级一直在那儿闲着。把更多能级纳进同一个量子神经元，物理粒子一个不加，可用的状态空间直接翻倍再翻倍。一个五能级钙离子，携带的信息维度顶得上旧方案里的多个比特。

一句话说差别：旧方案拼命加房间，新方案把同一层楼隔出更多房间。

能级不只是空间，还是训练资源

这项工作的第二个贡献把高维从"存储容量"升级成了"计算资源"。团队构建了面向多能级量子神经元的量子-经典协同训练框架：量子侧负责简洁的系统操控和低复杂度读出，经典侧负责调参。训练过程中，那些额外的能级是可操控、可训练、直接参与机器学习任务的角色。

这就把一件事说清楚了：高维编码的价值不止"装得更多"，而在"用得动"。多能级系统第一次完成了从高维信息表征到可训练智能计算的功能跨越。

为什么这件事的分量在硬件层

量子人工智能规模化有个绕不开的瓶颈：硬件资源。错误率压不下来，网络就铺不开；网络铺不开，量子优势就停留在演示层面。科大团队给这份困局的答案是：先把手头粒子的内部资源吃干榨净，再谈加粒子。

对离子阱路线来说这是个好消息。同一个钙离子平台，上周刚有团队用单离子的四个能级做自主量子纠错（中科大另一拨人，林毅恒与邹长铃，10 月 23 日 Nature Physics），这次又是五能级做量子神经网络。能级多维化正在成为离子阱的通用解题模板——纠错用它，机器学习也用它。同一套硬件底座，两个方向都在出活。

冷静的部分照例要有。395 个样本的测试集规模不大，95.7% 是实验口径的成绩，离实用的量子机器学习还隔着噪声、规模、算法成熟度三道坎。这篇工作的真正意义是验证了一条路线：在有限物理载体上，信息处理能力确实可以往深里挖，而并非只能往宽里铺。

对盯量子计算产业的人，这件事的信号是：评估离子阱硬件的参数页可能要改。比特级指标之外，"单粒子可用能级数"正在变成一个值得单列的参数——它决定了同样一颗芯片能榨出多少维度。

信源与限定：中国科大新闻网 11 月 1 日消息（转自安徽网，记者魏鑫鑫）；研究在线发表于《国家科学评论》（NSR）。李兆凯与林毅恒联合团队；服饰图像数据集 395 测试样本 95.7% 准确率、五能级钙离子处理器、量子-经典协同训练框架均出自官方口径。实验结果未经第三方独立复现；"量子纠错与量子神经网络为同一平台不同团队"的对比中，纠错工作为林毅恒与邹长铃团队（Nature Physics，10 月 23 日），两拨人勿混淆。

#量子计算 #量子机器学习 #离子阱