解读2025五岳杯量子计算挑战赛银奖成果之一

在由玻色量子协办的第二届APMCM“五岳杯”量子计算挑战赛上，来自北京理工大学（BIT）的两支参赛队伍荣获银奖，其中一支队伍就是QuBIT团队。该团队由北京理工大学管理学院张玉利教授指导，依托玻色量子550计算量子比特的相干光量子计算机，成功完成了人工智能领域机器学习中特征选择问题真实场景的技术突破与应用升级——提出了两种基于量子优化的特征选择方法：量子线性判别分析技术（Q-LDA）和基于量子受限玻尔兹曼机（Q-RBM）的特征选择方法。

实验结果证明，Q-LDA方法在智驾数据集优势明显，相比传统方法，AUC曲线值提升10%，量子方法准确率达98%，真机实验计算平均时间低于10毫秒；Q-RBM方法在MNIST图像分类数据集上实现了0.98的AUC值，验证了这两种方法在可预见量子硬件环境中的可行性。

QuBIT团队提出的两种模型在特征选择任务中表现出色，在机器学习领域具有更广泛的应用潜力。随着量子计算技术的不断发展，该方案可支持更大规模的计算任务，显著提升人工智能的计算优势，为量子计算赋能人工智能搭建桥梁，也将在智能驾驶精细化感知、实时响应决策中展现强大的优越性。

高维数据在机器学习训练任务中非常常见，数据特征的“维数诅咒”可能会导致昂贵的计算和过拟合问题，从而降低机器学习模型的性能。特征选择作为应对维数灾难的关键技术，在保持可解释性的同时，通过选择重要特征并消除冗余信息，可有效减小问题大小并提高模型准确性。在大数据领域，特征选择技术已广泛应用于文本挖掘、计算机视觉和故障诊断等多个领域。

然而，从高维特征空间中找到有利于提高训练精度的特征子集是一个NP-Hard问题。传统的方差筛选、Lasso等方法往往依赖贪婪策略，难以兼顾全局最优和计算效率；卷积网络虽擅长局部纹理，却难捕捉高阶共现，RBM又受限于马尔可夫链收敛缓慢。因此，QuBIT团队针对两种不同类型的机器学习应用场景，分别给出了基于量子计算技术的特征选择方法，通过将正交判别分析和RBM能量函数双双映射为QUBO模型，再借助弱保持性预处理和量子退火采样，既保证全局最优等价性，又平均压缩近8%的变量规模，还可在“卷积+ QRBM”混合框架中快速逼近最低能态，实现自动化全局特征选择与深度表征学习。

以下为获奖论文的主要内容：

智能辅助驾驶技术中存在从很多高维空间中选择、提取有效特征的问题，为了保证决策的安全性，这类问题往往需要在极短时间内被高质量地求解。QuBIT团队利用量子优化技术的强大计算优势，以解决高维特征选择中的NP难题为出发点，提出了两条互补的研究路径：量子线性判别分析（Q-LDA），以及量子受限玻尔兹曼机（Q-RBM）嵌入卷积神经网络（CNN）框架。

传统特征选择方法在大规模数据和高维空间中易陷入局部最优、计算开销巨大的痛点，而相干光量子计算机在求解二次无约束二元优化（QUBO）问题上具有天然优势。本研究提出的Q-LDA方法通过将线性判别分析中的正交最优投影方向选择转化为一个QUBO问题，利用量子并行搜索能力，可显著提升了机器学习模型的全局搜索能力；Q-RBM方法则将Kaiwu SDK中的量子退火算法应用于受限玻尔兹曼机的能量函数优化，为CNN的特征提取提供了强有力的无监督补充。

研究整体技术框架概览

用于多维特征选择的量子线性

判别分析算法（Q-LDA）

线性判别分析是一种监督式分类模型，旨在将分类训练集中的所有数据样本投影到特征空间中的一个方向上，以便同一类的样本尽可能彼此靠近，而不同类的样本尽可能相距甚远。线性判别分析的关键是找到一个投影方向，若将线性判别分析应用于特征选择，只需把特征投影到线性空间中正交于坐标轴的方向上即可。借助量子计算在求解QUBO问题的优势，基于量子优化的线性空间正交判别分析可有效选出用于特征选择的投影向量。

正交线性判别分析思路

面对智能辅助驾驶中的多模态传感数据特征选择问题，QuBIT团队通过基于量子线性空间正交判别分析的特征选择技术，建立了智能驾驶场景下特征选择的QUBO模型，同时为解决量子硬件上量子比特数量受限的问题，还进一步借助“弱保持性”的变量约简理论，将生成的QUBO与最大加权稳定集问题（MWSSP）建立等价映射，使得QUBO模型在求解之前可以预先固定一批最优变量，使得问题的平均变量规模降低8%。

基于弱保持性的变量约简技术

在数值验证阶段，团队在智能驾驶传感器数据集（ADAS-EV）和德国信用风险评估数据集上对Q-LDA方法进行了详细的实验验证。在ADAS-EV实验中，采用OneHot编码处理分类特征，构建QUBO模型并完成特征选择，计算结果证明约简量子零空间判别分析方法在高维智驾数据集上优势明显。相比于传统的基于方差和相关性的特征选择和基于范数的Lasso方法，AUC曲线值分别提升10%和6%；量子方法准确率达98%，分别提升12%和14%；真机实验计算平均时间低于10毫秒，可满足实时决策。

智能驾驶辅助决策数据集特征选择QDA技术ROC-AUC曲线

在信用风险评估实验中，同样验证了该方法的显著优势，证明算法泛化性能很强。相比于传统方法和当前文献中最佳的方法，AUC曲线值提升3%；量子方法准确率相比于最佳方法提升3%；量子优势大幅缩短计算时间。

基于量子优化的

Q-RBM-CNN算法

面对视觉感知特征解析任务，为了优化传统的图像分类模型——卷积神经网络（CNN），QuBIT团队提出了一种结合受限玻尔兹曼机（RBM）算法的混合模型。传统CNN中降低问题规模的池化层是基于人类的直觉设计的，而不是基于计算机的理解，这可能导致信息丢失、模型特征捕捉能力受限。RBM作为一种无监督学习算法，具有强大的特征提取能力，在处理复杂图像数据时能够提取更深层次的特征表示，从而有效提高分类模型的性能，故广泛用于特征学习、降维和生成模型等任务，受限玻尔兹曼机的特殊结构使其能够应用量子优化技术。通过将RBM嵌入到CNN中，目标改进传统CNN的特征学习过程，从而提高图像分类的准确性和效率。

模型首先通过三层卷积提取图像的局部纹理与边缘特征，随后将所得特征向量展平并送入RBM无监督学习层。由于RBM的能量函数天然具备二次二元优化结构，可直接映射为QUBO形式并由Kaiwu SDK的量子退火算法在采样阶段快速逼近最低能态，RBM层便在降维的同时掌握了数据的高阶共现模式；最后，降维后特征经两层全连接网络完成分类输出。由此，该结构设计便能兼顾卷积层的局部感知优势与Q-RBM的全局能量最优化能力，实现了“有指导的无监督”特征学习。

CNN–RBM混合模型示意

在经典手写数字图像数据集MNIST上，该混合模型经参数调整后（卷积通道数16，RBM可见层维度512、隐藏层维度32，Batchsize = 64，训练轮次= 10，学习率= 0.001），通过Kaiwu SDK对Q-RBM层权重进行采样优化，再联合CNN权重迭代更新，最终在测试集上实现了0.9777的平均AUC。该结果不仅超越了纯CNN基线，也在超过8个标准差置信度下显著验证了高维量化特征学习的有效性。

Q-RBM-CNN在MNIST数据集上的ROC-AUC曲线

在完成上述大规模数值实验之后，QuBIT团队还对两种量子优化模型的整体性能和应用前景进行了深入评估。

首先就Q-LDA而言，在德国信贷数据集上，Q-LDA不仅提高了分类准确率和AUC，还显著减少了后续模型训练时所需的特征维度，从而降低了计算开销；在ADAS-EV传感数据集中，五个关键特征即可支撑98%的预测准确度和近0.98的AUC，充分验证了QUBO求解方法在不同领域特征提取中的稳定性与通用性。此外，通过引入弱保持性预处理，不仅平均压缩了8%的决策变量，还保障了QUBO最优解与原始判别模型解的等价性，为量子算法在高维场景下的可扩展应用奠定了理论与实践基础。

对于CNN-Q-RBM混合模型，其在MNIST数据集上取得良好的分类准确率与0.9777的平均AUC，超过了纯CNN基线，并在超过八个标准差的置信度下稳定复现，证明了Kaiwu SDK在优化RBM能量函数、提炼高阶图像特征方面的独特价值。受限玻尔兹曼机层所学习到的无监督潜在表征，有效补强了卷积层在局部纹理提取之外的全局关联捕捉能力，使得模型在保持可解释性的同时兼具更强的泛化性能。ROC曲线结果反映，不同数字类别的识别边界在低误警与高召回区域均表现优异，展现了量子优化抽样在复杂多类别分类任务中的应用潜力。

此次APMCM“五岳杯”量子计算挑战赛，众多优秀参赛团队依托玻色量子550量子比特相干光量子计算机，成功完成了AI、金融、生物制药等众多行业真实场景的技术突破与应用升级。未来，玻色量子将联合中国信息通信研究院、移动云、北京图象图形学学会等举办更多的量子计算挑战赛，大力培养更多的量子实用化优秀人才。

关于第二届APMCM“五岳杯”量子计算挑战赛

第二届APMCM“五岳杯”量子计算挑战赛是由中国信息通信研究院、中国移动云能力中心、北京图象图形学学会主办，北京玻色量子科技有限公司协办，国内最具影响力的量子计算创新赛事。旨在让高校学生体验真实量子算力，探索创新项目，建立实用化量子计算基础研究，加强培养量子计算人才队伍，持续完善“量子计算+”产学研用生态建设。自第二届大赛启动以来，共有近2000支队伍，近5000人报名竞赛，玻色量子研发的Kaiwu SDK调用量达数百万次。通过本次竞赛，玻色量子联合移动云与中山大学、哈尔滨工业大学、中南大学、北京理工大学等众多国内知名高校达成深度合作，共同赋能量子应用创新，共同建设数字中国量子生态体系。