机器学习模型中的卷积神经网络(CNN)为图像识别、语言翻译等提供重要支持，而量子卷积神经网络(QCNN)作为其量子版本，能利用量子态更高效处理信息。光子系统因速度快、稳定性好、易于芯片操控等优势，成为 QCNN 的理想平台，但光子电路的线性特性限制了神经网络所需的灵活操作。

发表于《先进光子学》期刊的研究中，研究人员提出新方法，在不牺牲与现有技术兼容性的前提下，让光子电路更具适应性。该方法增加“自适应状态注入”受控步骤，使电路能依据处理过程中的测量结果调整行为，让光子量子卷积神经网络(QCNN)更接近实际应用。该团队利用量子点光源产生的单光子和两个集成量子光子处理器构建模块化 QCNN，网络分阶段处理信息，第一阶段后测量部分光信号，根据实验结果，系统会注入新光子或将现有光子向前发送，引导计算进程。因目前光子硬件无法实时切换光子，研究人员用可控技术模拟该步骤并重现效果。

为测试设计，研究人员对简单 4×4 图像编码，各阶段测量结果与理论预测相符。完整实验装置中，QCNN 分类准确率超 92%，与数值模拟结果一致，证明自适应方法潜力。研究人员还探讨可扩展性，指出未来有快速开关功能的光子器件可实现更大、更强大的 QCNN，性能优于部分经典方法。资深作者法比奥·夏里诺称，这项工作提供理论框架与概念验证实现，为开发新量子机器学习方法奠定基础。通过添加简单自适应步骤，研究为更强大的光子量子处理器提供现实路径。

更多信息： Léo Monbroussou 等人，《具有自适应状态注入的光子量子卷积神经网络》，《先进光子学》 (2025)。期刊信息： 先进光子学