1. Monarq框架概述：NISQ时代的量子图像处理新范式
量子计算正在重塑经典信号与图像处理的技术版图。在NISQ（Noisy Intermediate-Scale Quantum）设备上实现高效量子算法，需要解决两大核心挑战：如何在噪声环境下可靠地编码数据，以及如何通过浅层电路执行有效计算。Monarq框架应运而生，它通过QCrank编码方案与EHands多项式变换协议的创新结合，构建了一个完整的量子数据处理管道。
关键突破：EVEN（Expectation Value Encoding）编码方案作为统一的数据表示方法，使编码与计算阶段实现无缝衔接。这种兼容性消除了传统量子算法中耗时的数据格式转换步骤，显著提升了NISQ设备的有效计算窗口。
实验数据表明，在IBM量子处理器上，Monarq已成功实现：
- 32点序列卷积（7量子比特，RMSE 0.065）
- 32×32图像梯度计算（8量子比特/子电路）
- 192×128图像边缘检测（20量子比特模拟） 这些成果为医疗影像分析、自动驾驶等实时处理场景提供了量子加速的可能性。
2. 核心技术解析：从编码到计算的完整链条
2.1 QCrank编码：量子并行化的数据入口
QCrank编码的创新性体现在其"地址-数据"分离的量子存储架构：
- 地址寄存器：nₐ个量子比特编码2ⁿᵃ个存储位置
- 数据通道：nₜ个量子比特存储多通道数据
- 并行UCR门：将经典值xᵢⱼ∈[-1,1]转换为旋转角θᵢⱼ=arccos(xᵢⱼ)
数学表达上，QCrank制备的量子态为：
|ψ⟩= \frac{1}{\sqrt{2^{n_a}}} \sum_{i=0}^{2^{n_a}-1} |i⟩\otimes \left( \bigotimes_{j=0}^{n_d-1} |\sqrt{1+x_{i,j}}⟩ \right)其中地址量子比特处于计算基态|i⟩，数据量子比特通过Ry旋转编码幅值信息。这种结构使得：
- 存储效率：nₐ+nₜ个量子比特可编码nₜ·2ⁿᵃ个实数值
- 硬件友好：并行化设计将CNOT深度降低nₜ倍
2.2 EHands协议：多项式计算的量子引擎
EHands协议定义了三种基本运算单元，构成多项式计算的"量子指令集"：
- 乘积运算(Π)：单CNOT门实现x·y
- 加权和(Σ)：双CNOT门计算wx+(1-w)y
- 取反运算：X门实现x→-x
这些操作通过以下特性适应NISQ约束：
- 线性扩展：d次多项式仅需3d个量子比特
- 浅层电路：5d-2个CNOT门，深度4d
- 编码保持：输出仍符合EVEN编码规范
图1展示了如何组合这些基本单元计算二次多项式（如梯度平方）：
addr0 ─H─•─•─•─•─•─•─•─• │ │ │ │ │ │ │ │ addr1 ─H─•─•─•─•─•─•─•─• │ │ │ │ │ │ │ │ {Ii-1} ─Ry─Ry─Ry─Ry─X─•─Ry(π/4)─Ry(-π/4)─•─Z │ │ {Ii+1} ─Ry─Ry─Ry─Ry─Rz(π/2)─•───────────┼─ │ │ {Ii-1} ─Ry─Ry─Ry─Ry─X─•─Ry(π/4)─Ry(-π/4)─Rz(π/2) │ {Ii+1} ─Ry─Ry─Ry─Ry─Rz(π/2)─•───────────3. 关键应用实现与硬件验证
3.1 量子卷积：元素级乘积的并行计算
在IBM Pittsburgh处理器上的32点卷积实验揭示：
- 电路设计：nₐ=5地址比特 + 2数据比特（存储fᵢ,gᵢ）
- 精度控制：32,000 shots下RMSE=0.065
- 噪声影响：CNOT门数超过200时误差显著上升（表1）
表1：不同序列长度的卷积精度比较
| 序列长度 | transpiled CNOT数 | Kingston RMSE | Pittsburgh RMSE |
|---|---|---|---|
| 16 | 69 | 0.043 | 0.047 |
| 32 | 164 | 0.087 | 0.065 |
| 64 | 342 | 0.140 | 0.126 |
3.2 离散傅里叶变换：原位求和的量子优势
DFT实现巧妙利用了地址比特的非测量特性：
- 频率选择：用户自定义探测频率ω₁...ωₖ
- 并行调制：同时编码信号h(tᵢ)和三角函数对
- 自动求和：不测量地址比特即实现Σh(tᵢ)cos(ωₖtᵢ)
在512点重力波信号处理中，20量子比特电路同时计算5个频率分量，与经典结果相关系数>0.99（图2）。
3.3 图像处理实战：从梯度计算到边缘检测
梯度计算采用中心差分法：
G_x^2(i,j) = \left( \frac{I(i+1,j)-I(i-1,j)}{2} \right)^2实际部署时采用分块策略：
- 将32×32图像分为64条1×16子块
- 每块使用4地址比特+4数据比特
- IBM Aachen上100,000 shots/电路
边缘检测扩展为复合运算：
\text{Edge} = \begin{cases} 1 & \text{if } G_x^2 + G_y^2 > T \\ 0 & \text{otherwise} \end{cases}通过权重w=T/(8-T)将阈值判断转化为期望值测量EV>0，在模拟器中成功处理192×128细菌图像（图3）。
4. NISQ实践中的经验总结
4.1 误差管理与校准技巧
实验揭示两大主要误差源：
\sigma_{total} = \sqrt{\frac{A}{N_{shot}} + B}- 动态范围校准：硬件结果需乘衰减因子（卷积1.96，梯度2.9）
- 分块策略：大图像分割处理时需保持10%重叠区
- 边界处理：图像边缘像素采用镜像填充
4.2 硬件选择建议
根据CNOT门数选择执行后端：
- <50门：任意现代QPU
- 50-200门：ibm_pittsburgh等高保真设备
200门：需采用模拟器或等待纠错突破
4.3 未来优化方向
当前限制主要来自：
- 高精度需求导致巨大shots开销（边缘检测需30M shots）
- 多项式次数与门错误的累积效应
- 数据I/O瓶颈（特别是图像预处理阶段）
在实际部署中，我们发现将经典预处理（如归一化到[-1,1]）与量子计算合理划分，能显著提升整体效率。例如在边缘检测任务中，先通过经典算法降采样到量子电路可处理的尺寸，再使用Monarq进行精确边缘定位，这种混合策略在实践中表现出色。
