在由玻色量子協辦的第二屆APMCM“五岳杯”量子計算挑戰賽上，來自北京理工大學（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管理學院張玉利教授指導，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域機器學習中特征選擇問題真實場景的技術突破與應用升級——提出了兩種基于量子優化的特征選擇方法：量子線性判別分析技術（Q-LDA）和基于量子受限玻爾茲曼機（Q-RBM）的特征選擇方法。

實驗結果證明，Q-LDA方法在智駕數據集優勢明顯，相比傳統方法，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圖像分類數據集上實現了0.98的AUC值，驗證了這兩種方法在可預見量子硬件環境中的可行性。

QuBIT團隊提出的兩種模型在特征選擇任務中表現出色，在機器學習領域具有更廣泛的應用潛力。隨著量子計算技術的不斷發展，該方案可支持更大規模的計算任務，顯著提升人工智能的計算優勢，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、實時響應決策中展現強大的優越性。

高維數據在機器學習訓練任務中非常常見，數據特征的“維數詛咒”可能會導致昂貴的計算和過擬合問題，從而降低機器學習模型的性能。特征選擇作為應對維數災難的關鍵技術，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。在大數據領域，特征選擇技術已廣泛應用于文本挖掘、計算機視覺和故障診斷等多個領域。

然而，從高維特征空間中找到有利于提高訓練精度的特征子集是一個NP-Hard問題。傳統的方差篩選、Lasso等方法往往依賴貪婪策略，難以兼顧全局最優和計算效率；卷積網絡雖擅長局部紋理，卻難捕捉高階共現，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習應用場景，分別給出了基于量子計算技術的特征選擇方法，通過將正交判別分析和RBM能量函數雙雙映射為QUBO模型，再借助弱保持性預處理和量子退火采樣，既保證全局最優等價性，又平均壓縮近8%的變量規模，還可在“卷積+ QRBM”混合框架中快速逼近最低能態，實現自動化全局特征選擇與深度表征學習。

以下為獲獎論文的主要內容：

智能輔助駕駛技術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被高質量地求解。QuBIT團隊利用量子優化技術的強大計算優勢，以解決高維特征選擇中的NP難題為出發點，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）嵌入卷積神經網絡（CNN）框架。

傳統特征選擇方法在大規模數據和高維空間中易陷入局部最優、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化（QUBO）問題上具有天然優勢。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投影方向選擇轉化為一個QUBO問題，利用量子并行搜索能力，可顯著提升了機器學習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用于受限玻爾茲曼機的能量函數優化，為CNN的特征提取提供了強有力的無監督補充。

研究整體技術框架概覽

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督式分類模型，旨在將分類訓練集中的所有數據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。線性判別分析的關鍵是找到一個投影方向，若將線性判別分析應用于特征選擇，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問題的優勢，基于量子優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傳感數據特征選擇問題，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，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與最大加權穩定集問題（MWSSP）建立等價映射，使得QUBO模型在求解之前可以預先固定一批最優變量，使得問題的平均變量規模降低8%。

基于弱保持性的變量約簡技術

在數值驗證階段，團隊在智能駕駛傳感器數據集（ADAS-EV）和德國信用風險評估數據集上對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，構建QUBO模型并完成特征選擇，計算結果證明約簡量子零空間判別分析方法在高維智駕數據集上優勢明顯。相比于傳統的基于方差和相關性的特征選擇和基于范數的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據集特征選擇QDA技術ROC-AUC曲線

在信用風險評估實驗中，同樣驗證了該方法的顯著優勢，證明算法泛化性能很強。相比于傳統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%；量子優勢大幅縮短計算時間。

基于量子優化的

Q-RBM-CNN算法

面對視覺感知特征解析任務，為了優化傳統的圖像分類模型——卷積神經網絡（CNN），QuBIT團隊提出了一種結合受限玻爾茲曼機（RBM）算法的混合模型。傳統CNN中降低問題規模的池化層是基于人類的直覺設計的，而不是基于計算機的理解，這可能導致信息丟失、模型特征捕捉能力受限。RBM作為一種無監督學習算法，具有強大的特征提取能力，在處理復雜圖像數據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，故廣泛用于特征學習、降維和生成模型等任務，受限玻爾茲曼機的特殊結構使其能夠應用量子優化技術。通過將RBM嵌入到CNN中，目標改進傳統CNN的特征學習過程，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無監督學習層。由于RBM的能量函數天然具備二次二元優化結構，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，RBM層便在降維的同時掌握了數據的高階共現模式；最后，降維后特征經兩層全連接網絡完成分類輸出。由此，該結構設計便能兼顧卷積層的局部感知優勢與Q-RBM的全局能量最優化能力，實現了“有指導的無監督”特征學習。

CNN–RBM混合模型示意

在經典手寫數字圖像數據集MNIST上，該混合模型經參數調整后（卷積通道數16，RBM可見層維度512、隱藏層維度32，Batchsize = 64，訓練輪次= 10，學習率= 0.001），通過Kaiwu SDK對Q-RBM層權重進行采樣優化，再聯合CNN權重迭代更新，最終在測試集上實現了0.9777的平均AUC。該結果不僅超越了純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習的有效性。

Q-RBM-CNN在MNIST數據集上的ROC-AUC曲線

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

首先就Q-LDA而言，在德國信貸數據集上，Q-LDA不僅提高了分類準確率和AUC，還顯著減少了后續模型訓練時所需的特征維度，從而降低了計算開銷；在ADAS-EV傳感數據集中，五個關鍵特征即可支撐98%的預測準確度和近0.98的AUC，充分驗證了QUBO求解方法在不同領域特征提取中的穩定性與通用性。此外，通過引入弱保持性預處理，不僅平均壓縮了8%的決策變量，還保障了QUBO最優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用奠定了理論與實踐基礎。

對于CNN-Q-RBM混合模型，其在MNIST數據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定復現，證明了Kaiwu SDK在優化RBM能量函數、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習到的無監督潛在表征，有效補強了卷積層在局部紋理提取之外的全局關聯捕捉能力，使得模型在保持可解釋性的同時兼具更強的泛化性能。ROC曲線結果反映，不同數字類別的識別邊界在低誤警與高召回區域均表現優異，展現了量子優化抽樣在復雜多類別分類任務中的應用潛力。

此次APMCM“五岳杯”量子計算挑戰賽，眾多優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真實場景的技術突破與應用升級。未來，玻色量子將聯合中國信息通信研究院、移動云、北京圖象圖形學學會等舉辦更多的量子計算挑戰賽，大力培養更多的量子實用化優秀人才。

關于第二屆APMCM“五岳杯”量子計算挑戰賽

第二屆APMCM“五岳杯”量子計算挑戰賽是由中國信息通信研究院、中國移動云能力中心、北京圖象圖形學學會主辦，北京玻色量子科技有限公司協辦，國內最具影響力的量子計算創新賽事。旨在讓高校學生體驗真實量子算力，探索創新項目，建立實用化量子計算基礎研究，加強培養量子計算人才隊伍，持續完善“量子計算+”產學研用生態建設。自第二屆大賽啟動以來，共有近2000支隊伍，近5000人報名競賽，玻色量子研發的Kaiwu SDK調用量達數百萬次。通過本次競賽，玻色量子聯合移動云與中山大學、哈爾濱工業大學、中南大學、北京理工大學等眾多國內知名高校達成深度合作，共同賦能量子應用創新，共同建設數字中國量子生態體系。