真实量子硬件噪声能提升生成式 AI 扩散模型吗？

两套协议共用同一个前向过程

这项研究要回答的是：扩散模型注入噪声的阶段能否被量子动力学替换或补充，以及真实硬件噪声能否驱动图像生成。扩散模型通常用一条经典马尔可夫链把训练样本逐步破坏成纯噪声，再训练神经网络逆转这一破坏过程。这里被改动的是前向链；在两套协议中，反向去噪网络都保持经典。

第一套协议使用量子随机行走。这一形式体系通过单一参数 omega 在纯量子行走与经典随机行走之间插值：omega 取 0 是相干量子动力学，取 1 是经典动力学，中间值则把两者混合。第二套协议在量子电路中实现一个定义在环图上的量子行走，并有意让器件的内禀噪声在前向过程中起作用，噪声量通过延迟操作来增加。

这一区分对理解结果很重要。混合实验是在类模拟环境中对两种动力学做受控比较，而硬件实验只是证明整条流程能跑在真实含噪处理器上的概念验证。两者回答的是不同问题，不应被当作同一个基准来比较。

混合前向链降低了 FID

在第一套协议中，作者在 MNIST 数字图像上训练无条件扩散模型，并比较不同 omega 取值下的前向链。核心结果是：omega 等于 0.3 的混合设置所生成的图像集，其 Fréchet Inception Distance 低于完全经典的前向链。FID 比较的是生成图像分布与真实图像分布，因此数值越低，说明生成集在统计上越接近真实集。

论文还报告，在多次重复中，混合模型比经典模型在统计上更稳健。这里的比较对象是生成图像集，而不是单张样本；指标是在整个生成数据集与训练数据之间计算的。作者用每种设置下的九张样本和像素值分布来展示差异，但定量结论依据的是多次运行得到的 FID。

作者给出的解释属于机制推测，而非已被证明的因果链：他们认为量子相干性与随机噪声之间的平衡能让信息在图上更高效地传输，从而改善图上的扩散、更完整地探索状态空间。他们指出，这里使用的八节点环图直径为 4，高于此前工作报告高效传输的阈值 3（对应 omega 约为 0.1），并把观测到的最优点 0.3 视为与该框架一致。这是对结果的解释，不是另行测得的因果链。

图把像素值变成行走者的位置

要理解图上的行走为何会出现在图像模型里，需要先看清这张图代表什么。每个像素被编码为一个行走者在八节点环图上的位置，因此八个可能位置对应八个灰度级。前向过程让行走者在这张图上移动，由此得到的位分布定义了抽取下一个像素值所用的类别分布。

正是这种编码让量子行走与图像生成产生了关联。行走并不直接作用于图像，而是作用于每个像素可以取的离散颜色值。环图具有旋转不变性，作者因此可以让每个行走者都从同一初始状态出发，再用一次平移操作把结果映射到具体的像素值。这一技巧使前向链只需对所有行走者运行一次，而不必逐像素分别运行。

这张图也划出了明确的边界。八个节点意味着模型只覆盖八个灰度级，论文中的 MNIST 图像正是归一化到这一范围。量子比特数取决于灰度级数量，而不是图像尺寸，这也是作者提出可扩展性主张的依据。

四个量子比特生成全尺寸 MNIST 图像

硬件协议只用了四个量子比特就生成了 28×28 的灰度 MNIST 图像：三个量子比特表示行走者在八节点图上的位置，一个表示行走者硬币的自由度。前向过程用 Qiskit 实现，先在处理器的模拟版本上以 100,000 次采样运行，再在真实 IBM 器件上以 10,000 次采样运行。真实器件上的采样次数因可用计算资源而减少。

噪声通过延迟操作被有意注入，延迟长度遵循一个与经典扩散模型所用余弦噪声调度类似的方案。作者选取了一个系数，使前向过程在 20 个时间步内收敛到均匀分布。反向过程是一个经典多层感知机，与混合实验中所用网络属于同一类型。

作为概念验证，模型在 6,903 张全尺寸 MNIST 数字 0 图像上训练。作者强调，该协议契合处理器的连接结构（最大连接度为 3），并且多个行走者可以在同一处理器的不同部分并行运行。这些是可行性论据，不是图像质量的证据。

真实硬件噪声落后于混合模拟

论文中最具决策参考价值的比较，是混合量子随机行走模型与真实硬件量子行走模型之间的比较。混合设置达到 FID 114，IBM 硬件运行达到 169，两者都是在原始数据集与同等规模的生成数据集之间计算的。作者称硬件结果生成的样本 FID 更高，并为这一差距给出了一种可能解释，但没有确定单一原因。

这一比较容易被误读。FID 越低越好，所以 114 是更强的结果，169 是较弱的结果。硬件运行并不是被当作对混合模型的改进来呈现，而是作为证据，说明真实含噪处理器至少可以被用起来，并且噪声被当作生成机制的一部分，而不是需要纠正的错误。

论文附录还报告了其他数字以及完整 MNIST 集上的结果。在完整集上，omega 等于 0.4 的混合设置产生的 FID 优于经典动力学；在 EMNIST 字母集上也出现同样的总体趋势，只是混合模型的优势略不明显。这些运行使用 100 个训练轮次，而不是数字 0 比较中所用的 10,000 个，作者指出这会使整体 FID 数值偏高。

噪声是资源，尚不构成扩展性主张

论文的立论是：量子噪声不必被缓解或纠正，反而可以作为有用资源加以利用。这一立论的支持来自硬件流程确实生成了图像，以及作者关于前向协议适配当前含噪中等规模量子器件的论证。但它并不支持“真实硬件噪声优于经典或混合方案”这一主张，因为报告的硬件 FID 高于混合 FID。

若干边界直接来自实验设计。实验使用 MNIST 数字，硬件概念验证只限于数字 0 和 6,903 张训练图像。图像是八级灰度，由八节点图决定。所有配置中的反向网络都是经典的，因此结果只涉及前向破坏过程。作者还指出，他们通过比较真实处理器与模拟处理器，获得了噪声表征重要性的证据，并把纠错或缓解列为未来更好控制噪声水平的方向。

作者把这项工作定位为大规模量子生成式 AI 算法的起点，而不是其中一例的演示。他们自己提出的未来方向包括：把处理器拓扑与电路级行走更深度地结合，以拓宽像素值范围；以及最终在物理层面实现量子行走，使模型能够借助反向过程中的量子网络直接处理量子数据。

混合设置才是值得关注的结果

如果问题是真实量子硬件噪声能否改善生成式扩散模型，论文给出的答案是有条件的。真实噪声确实被用于在四量子比特处理器上生成图像，这支持了“噪声是资源”的框架；但真实硬件运行的 FID 为 169，而混合量子随机行走模型为 114。相对经典动力学的改进主张属于 omega 等于 0.3 的混合设置，而不属于硬件运行。

因此，论文确立的实际优先级是中间混合区间，而不是纯量子或纯经典两个极端。作者的传输论证解释了中间 omega 为何可能有帮助，附录中完整 MNIST 集上 omega 等于 0.4 的趋势也指向同一方向。读者在评估后续工作时，应核对某个 FID 由哪种前向动力学产生、在哪个数据集和数字子集上计算，以及反向网络是否为经典，因为正是这些条件把论文更强的混合结果与真实硬件上的可行性演示区分开来。

本文引用的文献