量子计算正加速从实验室走向工程化落地，这已不再是什么秘密。在此背景下，量子神经网络作为量子计算与人工智能深度融合的关键方向，正成为全球科技企业与科研机构争相布局的战略高地。然而，当应用场景从简单的二分类任务逐步扩展至复杂的多类别决策与高维感知问题时，一个现实瓶颈逐渐凸显：现有量子神经网络在可扩展性方面显得有些“力不从心”。尤其是在需要大量输出维度的多类分类任务中，传统框架要么依赖经典全连接网络进行后处理，要么通过增加量子比特数量来换取输出能力——结果呢？量子计算的固有优势被削弱了，系统在硬件资源、稳定性和可部署性方面面临严峻挑战。
针对这一“痛点”，微云全息 (NASDAQ:HOLO) 提出了一种全新思路，并成功开发了一套面向多类高维输出任务的量子神经网络框架，其核心正是量子神经网络的对数降维技术。该技术的出发点是深度重构量子测量机制，通过引入泡利 Z 测量与基矢测量的协同设计，在不增加量子比特数量、不依赖经典全连接网络的前提下，实现了输出维度的指数级扩展。这堪称一项突破性成果，不仅从根本上缓解了量子比特数量受限带来的扩展难题，也为分布式量子算法模拟与工程化应用开辟了一条全新的技术路径。
先谈谈技术背景。量子神经网络的核心优势，源于量子态叠加与纠缠所带来的并行计算能力。与经典神经网络需要逐层、逐节点进行数值计算不同，量子神经网络能在一次量子态演化过程中同时编码并处理大量特征信息。但这里存在一个关键问题：量子神经网络的输出并非直接以向量或张量的形式显式呈现，而必须通过量子测量来获取。而测量过程本身具有概率性和破坏性，这使得输出层的设计成为限制 QNN 可扩展性的“卡脖子”环节。
在传统 QNN 框架中，常见的做法是将量子线路输出的少量测量结果作为特征输入，然后交给经典全连接网络完成高维映射与分类决策。这种混合架构在早期研究中确实取得了一定成效，但本质上仍依赖经典计算承担主要的判别任务，量子部分更多扮演的是特征提取器的角色。另一种思路是直接增加量子比特数量，通过更多测量通道来提升输出维度——可惜，在当前量子硬件条件下，这代价过高，且会显著放大量子噪声与误差累积问题。
微云全息的做法，相当于从量子测量机制本身入手，重新定义了“输出维度”这一概念。他们的核心判断是：量子神经网络输出能力的上限，并不完全由量子比特数量决定，而是由可区分测量结果的结构与编码方式决定。基于这一认识，他们提出通过系统性地组合泡利 Z 测量与基矢测量，在有限量子比特空间中构造指数数量级的可区分输出模式，从而实现对数量子资源下的高维输出表达。
在该框架中，量子神经网络的主体仍然是参数化量子线路，用于对输入数据进行特征映射和非线性变换。但区别在于，输出阶段不再简单地对每个量子比特进行单一可观测量测量，而是通过精心设计的测量算符集合，对量子态在不同测量基下的投影结果进行联合编码。这种编码方式本质上将多个测量结果的组合视为一个高维标签空间中的索引，如此一来，在不增加物理量子比特的情况下，输出维度实现了指数增长。
泡利 Z 测量在该框架中扮演着稳定、可重复的基础观测角色。由于泡利 Z 算符在当前量子硬件平台上具有较高的测量精度和鲁棒性，其测量结果可作为输出编码的低层结构。同时，基矢测量则用于刻画量子态在计算基空间中的精细分布特征，为输出编码提供更丰富的信息维度。通过将这两类测量结果联合映射，系统能在测量结果空间中形成高分辨率的判别结构。
从算法逻辑来看，本框架实现了一种测量域上的分布式表示。每一个类别不再对应单一的测量结果或单一输出节点，而是对应一组特定的测量模式。这种设计使得分类任务不再依赖单点判决，而是通过测量分布的整体结构来完成，显著提升了模型对噪声和统计波动的容忍度。这一点在当前噪声中等规模量子设备环境下尤为关键。
在训练阶段，通过经典优化器调整量子线路中的参数，不同类别在测量空间中的分布会逐渐分离。与依赖全连接网络的方案不同，这里的损失函数直接定义在测量结果的组合空间上，训练目标与量子测量过程高度一致，从根本上减少了量子—经典接口带来的信息损失。
值得关注的是，该技术在工程实现层面具有高度的可扩展性和可移植性。其核心优势来自测量策略与输出编码方式的创新，而非对特定量子硬件结构的依赖，因此可以自然地部署在多种量子计算平台上，包括超导量子计算机、离子阱系统以及高保真量子模拟器环境。在分布式量子算法模拟场景中，这套框架还能通过并行执行不同测量配置，实现对大规模输出空间的高效采样。
实验验证表明，该技术在多类分类任务中表现出显著优势。无论是在类别数量大幅增加的情况下，还是在量子比特数量受限的极端条件下，所提出的框架都能保持稳定，且分类性能优于现有 QNN 架构。实验结果很直观：当输出类别数量呈指数增长时，传统 QNN 架构性能迅速退化，而该框架仍能通过对数级资源增长维持有效判别能力。
更进一步来看，这项技术所体现的设计思想也为未来量子算法研发提供了重要启示。它表明：在量子计算资源受限的现实条件下，通过对量子信息表达方式和测量机制的深入挖掘，同样能够实现系统能力的跨越式提升。这种以结构换规模、以编码换资源的思路，有望在量子优化、量子通信以及分布式量子计算等领域产生更广泛的影响。随着量子硬件与软件生态的不断成熟，量子神经网络的对数降维技术很可能成为推动量子人工智能从概念验证走向规模应用的重要基础设施之一。
