实验室在量子计算方向的研究工作被Applied Soft Computing（中科院2区）接收，题目论文为“Design and Implementation of Run-length Encoding on Quantum Computers for Resource-efficient Data Representation”。这篇论文为ICASSP 2025（oral）论文：”Quantum Run-length Encoding: Optimizing Data Compression on Quantum Computers with Exponential Resource Efficiency”的更详细期刊版本。本文提出了经典游程编码的量子算法形式，实现最优条件下指数级量子自资源优化的数据存储方式，并在一般情形下也增加额外开销，解决了经典游程编码的局限性，同时探索了其在图像处理方面的应用。该论文的第一作者为实验室2022级博士张嘉乐，通讯作者为实验室负责人吉林大学副教授胡俊成，其他合作者包括吉林大学教授车喜龙、实验室本科生彭顺、2023级硕士生范滨丞、电子科技大学博士生陈庚和信息工程大学博士生马权公。
研究背景
量子计算借助叠加态和量子纠缠，可以在数据处理上展现出比经典系统更高的比特效率。然而，如何将经典数据有效地编码为量子态，仍然是当前量子计算中的一大难题。现有的量子数据表示方法虽然能在某些情况下降低资源消耗，但大多数依赖于复杂的预处理过程，且无法做到无损的数据恢复。
实验设计
如上图所示， QRLE通过对数据中的连续重复部分进行编码，将每段重复数据的值和重复长度分别存储在量子位上，利用量子计算中的Hadamard门和控制非门（CNOT）对数据进行高效编码。在最优条件下，QRLE能够将量子比特消耗从O(n)降低至O(log n)，并将运行时间复杂度从O(n ⋅ 2^2n)降至O(log n ⋅ n)，这使得其在量子计算中具有显著的资源优势。
实验结果
为了验证QRLE的有效性，研究团队在IBM的超导量子计算机（IBM_Sherbrooke）上进行了实验，并与现有的量子图像表示模型进行了对比。实验结果表明，在处理具有大量重复数据的图像时，QRLE显著减少了量子资源消耗，并且运行时间复杂度比现有方法低得多。此外，QRLE对量子噪声具有更强的抗干扰能力，能够在噪声环境下保持较高的恢复准确度。
QRLE作为一种量子数据表示的新型方法，在减少量子资源消耗、提高量子计算效率方面展现出了巨大的潜力。尤其在量子图像处理领域，QRLE能够大幅提升量子图像处理操作的效率，尤其是在量子硬件噪声较大的环境下，表现出比现有方法更强的鲁棒性。未来的研究方向可能包括结合量子神经网络，进一步优化QRLE在实际量子计算任务中的应用，推动量子计算在实际场景中的应用落地。该成果受到国家重点研发计划（2024YFB3310202）和吉林省重点研发计划（20250201076GX）的资助。
Applied Soft Computing是一本国际期刊，致力于推广软计算的综合应用以解决现实问题。Soft Computing是一系列方法论的集合，其目的在于利用对不精确性、不确定性和部分真实性的容错能力，以获得可处理性、鲁棒性及较低的求解成本。该期刊聚焦于发布在模糊逻辑、神经网络、进化计算、粗糙集及其他类似技术的应用与融合方面的最高质量研究，以应对现实世界的复杂性问题。