提到量子机器学习，很多人的第一反应是“增加量子比特”：一百个不够就一千个，一千个不够就一万个。中国科学技术大学自旋磁共振实验室李兆凯、林毅恒联合团队选择了另一种扩展方式：不增加物理载体数量，而是把单个粒子内部更多能级利用起来。他们的论文《Quantum neural network equipped with backpropagation on a qudit processor》于2026年10月1日在线发表于《国家科学评论》，中国科大在10月30日发布消息，称该工作首次在实验中实现了基于高维量子神经元的量子神经网络。
一个比特只占用两个能级，其余能级尚未利用
量子计算里最常见的信息单元是量子比特，本质上是一个二能级系统：两个能级的叠加态。但物理载体本身往往不止两个能级可用。以钙离子为例，它的内部能级结构中有多个可以被操控和读出的能级，常规的二能级编码只使用其中一小部分，其余能级未被使用。
研究团队的做法是把这些能级一并纳入同一个“神经元”。五个能级构成一个五维量子系统（qudit），其可表示的状态空间比单个二能级比特大；按信息容量粗略换算，五能级系统约相当于2.32个量子比特。
这并不意味着“五个能级比两个能级好”这么简单。能级越多，可调的自由度越多，操控和读出通常也越复杂，误差更容易累积。因此，团队强调方案结合了简洁的系统操控与低复杂度读出，目的正是在扩展计算空间的同时，抑制操作误差的积累。
量子处理器与经典设备一起训练
按论文图注的说法，多个能级共同构成高维信息空间，量子处理器与经典设备协同完成训练，使网络能够面向分类任务调整参数。团队把这套方案称为面向多能级量子神经元的量子-经典协同训练框架；论文标题里的 backpropagation，指的是训练使用反向传播。
换句话说，量子部分提供高维的状态空间和可调参数，经典部分负责优化，两者配合把网络参数调整到能够分类的位置。这也是当前含噪声中等规模量子（NISQ）设备上比较现实的路线：不指望硬件一步到位，而是尽量提高每一件硬件的信息处理能力。
95.7%是在什么条件下测得的
实验任务是Fashion-MNIST服饰图像数据集的分类，做的是两类图像之间的区分。在包含395个样本的测试集上，该网络取得了95.7%的实验分类准确率。
更有意思的是输出空间的变化：训练前，两类图像在输出空间中相互交叠，难以区分；训练后，两类样本主要分布在分类边界两侧，类别区分变得清晰。研究者还把实验结果与数值模拟作了对照，两者呈现相近的分类特征。这说明观测到的分离效果主要来自训练本身，而不是某种偶然的测量波动；至少在这一层面，实验与理论相互印证。
它说明了什么，不能说明什么
需要明确的是，95.7%不能直接理解为“量子AI的识别能力达到95.7%”。Fashion-MNIST本身有十个类别，这里做的是其中两类；测试集只有395个样本，规模不大；发布消息没有说明具体是哪两类服饰，也没有给出与经典方法在同一任务上的对照成绩。因此，这个数字证明的是：一颗钙离子的五个能级可以被训练成一个能完成实际分类任务的量子神经元；它不证明量子方案已经优于经典方案，也不是量子优势的证据。所谓“首次”，范围限于基于高维量子神经元的量子神经网络实验，并不意味着量子神经网络本身首次实现。
这项工作的意义在于思路转向。要扩大量子模型能够表示的信息量，除了增加比特数量，还可以增加每个载体内部的维度；在研究者的表述里，额外能级可以变成可操控、可训练、直接参与机器学习任务的计算资源。这两条路线并不互斥，更像是两套可以叠加的扩展方式。对硬件资源受限的阶段来说，将未利用的能级转化为计算能力，是一种值得尝试的方案。
论文作者为博士生袁一博、徐卓越（共同第一作者），研究得到科技部、国家自然科学基金委、中国科学院等项目支持，DOI为10.1093/nsr/nwag611。