五度易链

菜单

lch
发布于 2026-04-20 / 0 阅读
0

量子计算和脑机接口的首次融合：中国团队将神经解码带入“微秒时代”

#转载

量子计算商业智库

把握量子计算产业脉搏

发现量子产业化的新动向

QUANTUM COMPUTING



内容来源：Neuro神经科技前沿

核心要点


范式转移：中国团队首次在真实 1000 量子比特光量子伊辛机上实现神经解码，以“物理能量弛豫”替代传统“数字迭代运算”。

极限性能：单次推理延迟低至 0.075 毫秒（75 微秒），比最快 GPU 提升 10 倍以上，且具备近乎线性的扩展性。

跨物种验证：在小鼠视觉与猕猴运动解码任务中，准确率最高达 96.2%，全面匹配或超越 SOTA 深度学习模型。

行业预示：量子计算与脑机接口的首次实质性交汇，为通往万通道级、无缝闭环的“具身智能”开辟了全新算力路径。

脑机接口的“延迟危机”与量子计算的破局

脑机接口（BCI）正站在一个矛盾的十字路口：一方面，高密度电极阵列已经能够同时记录数千个神经元的活动；另一方面，解码这些神经信号的算力需求正在呈指数级增长，传统 GPU 的推理延迟和能耗已经难以为继。
图片AI生成
当神经通道数从几十扩展到几千时，记录的神经元越多，解码算法的计算量呈指数级增长。基于 Transformer、Conformer 等深度学习的数字解码器，其推理时间迅速攀升到毫秒级——而生物神经回路的时间尺度是微秒到毫秒级。当延迟过高时，大脑会不断尝试纠错，导致“过度校正”，这种现象在临床上被称为视觉反馈延迟导致的震颤。而 BCI 系统的反馈延迟（从意图产生到机械臂动作）如果超过 100-200 毫秒，用户就无法建立有效的“内模型（Internal Model）”，只有低于 50ms 甚至更低的系统延迟，才能实现真正的生物级“具身感（Embodiment）”[1]。
2026 年 4 月 13 日，中国科学院上海微系统与信息技术研究所联合北京玻色量子科技有限公司，在 bioRxiv 预印版（未经同行评议，非正式发表论文；本文仅供方向性参考）上，上传了一项具有里程碑意义的研究：《Spikes meet Spins: Quantum-Native Neural Decoding for Ultra-Low-Latency Brain-Computer Interfaces》。研究团队首次在真实量子硬件上验证了“量子-native神经解码”的可行性。

核心创新：量子原生解码 (Quantum-Native Decoding)

QSRBM 比最快的 GPU 模型快约 10 倍，比数字 SRBM 快 240 倍。
在传统计算中，神经脉冲（Spikes）被视为 0 和 1 的数字流；研究团队提出了一种名为 QSRBM（量子受限玻尔兹曼机） 的算法，在 QSRBM 算法中，研究团队将大规模神经脉冲模式映射为量子受限玻尔兹曼机（QSRBM）中的量子自旋状态。
研究团队将解码的目标（即：这组神经信号到底代表什么动作？）编码为整个物理系统的能量函数。

图片AI生成

研究团队使用的是一台 1000 量子比特相干光量子伊辛机（Coherent Photonic Ising Machine, CIM）。伊辛机的基本原理是：将计算问题编码为一个能量景观（energy landscape），然后让物理系统自然地演化到能量最低的基态。当物理系统稳定在最低能量状态（基态）时，量子比特的自旋排列直接就给出了答案。
从“计算”到“物理演化”：传统解码是在数字电路里做复杂的数学运算，而该方案将神经信号（Spikes）映射为量子比特的自旋状态（Spins）。
利用相干性寻优：利用量子芯片的物理演化特性，通过寻找哈密顿量的最低能量状态，几乎瞬间完成对神经模式的识别。传统计算像是在迷宫里一个房间一个房间地找出口（算法计算）；而量子原生解码像是把迷宫注满水，出口就是水流自然汇聚的最低点（物理演化）。

降维打击般的性能

这种“脉冲对接自旋”方案在性能上的碾压级优势：

  • 超低延迟（Ultra-Low Latency）：

    • 量子原生解码器的平均端到端延迟仅为 0.075 毫秒（75微秒）。

    • 相比之下，目前最先进的 GPU 加速解码器延迟仍高出一个数量级。这种速度意味着在人类感知的刻度上，交互几乎是“即时”发生的。

图片AI生成

  • 卓越的扩展性（Scaling）：

    • 在模拟 1000 个神经通道的大规模数据时，量子芯片表现出了极其稳定的性能。

    • 在光量子伊辛机中，所有量子比特是并行演化的。输入维度增加只是改变了耦合参数，而物理弛豫的时间尺度并不随之线性增长。传统计算架构在通道数增加时往往会出现延迟激增，而量子方案表现出近乎线性的扩展优势。

  • 极高能效（Energy Efficiency）：

    • 由于利用的是物理系统的自然演化过程，其运行功耗远低于持续进行高频开关切换的传统半导体芯片。

跨物种、跨模态验证：准确率匹配甚至超越SOTA深度学习

为了验证泛化能力，研究团队在三个公开的标准化生理数据集上，将 QSRBM 与目前主流的深度学习模型（如 Transformer, CNN 等）进行了正面交锋。
A. 小鼠视觉：复杂图像识别
在约 200 个神经元的视觉信号处理中，QSRBM 展现了统治力：
  • 静态识别：准确率 96.2%（超越 Conformer 的 91.1%）
  • 动态追踪：准确率 90.4%（几乎是 LSTM 的 1.5 倍）
图片AI生成
B. 猕猴运动控制：高维流形还原
在约 50 个神经元的低维场景下，QSRBM 达到 92.9% 准确率。虽略逊于传统模型（98.1%），但这界定了技术的适用范围：量子解码器更擅长处理高维、高复杂度的神经表征。
C. 猕猴本体感觉：小数据边界
在仅有 ~50 个神经元的低维数据场景中，QSRBM 达到了 92.9% 的高准确率。但是传统模型（98.1%）领先，这一结果展现量子解码器在高维、复杂表征中具有统治力，而传统深度学习在简单小数据上依然稳健。
该研究仍面临离线数据验证、量子比特预算限制等挑战。
1. 离线数据集：当前验证使用的是离线回放数据，尚未进行实时在线解码。
2. 1000 量子比特限制：当神经通道数超过量子比特预算时，需要更大规模的量子硬件或更高效的编码策略。
3. 系统级能效分析：虽然延迟优势显著，但完整的端到端能耗评估仍是未来方向。
这是量子计算与脑机接口这两大前沿技术的首次实质性交汇。
随着神经接口通道数的持续爆发，依靠传统冯·诺依曼架构进行中心化解码的路径将越来越拥挤。而“让物理做计算”的量子-native 方案，或许正是通往下一代超低延迟、高带宽、无缝闭环脑机接口的关键钥匙。
认知的边界，正在被物理定律重新定义。

Reference：

[1] Hochberg, L. R., Bacher, D., Jarosiewicz, B., Masse, N. Y., Simeral, J. D., Vogel, J., ... & Donoghue, J. P. (2012). Reach and grasp by people with tetraplegia using a neurally controlled robotic arm. Nature, 485(7398), 372-375.

[2] bioRxiv. Spikes meet Spins: Quantum-Native Neural Decoding for Ultra-Low-Latency Brain-Computer Interfaces. 2026-04-13

提示：本文基于 Gen Li 等人（2026）发表于 bioRxiv 的预印本论文进行学术解读。预印本尚未非正是发表仅提供潜在方向，文中所述技术为前沿探索性研究，部分应用（如在线闭环 BCI）尚待进一步工程验证。

「END」


欢迎添加微信，加入量子前哨交流群
与大家一起探讨交流量子领域动态↓↓↓



往期推荐



  • WAIC 2025 对未来智能的深刻拷问：从辛顿的 AI 洞见，到玻尔兹曼机的量子新生

  • 海外量子股狂热上涨！产业、生态齐发力，一场全球 AI+ 量子算力融合战已打响

  • 10 亿澳元投光量子路线！史上最全面分析澳大利亚政府为何最爱 PsiQuantum

  • 量子计算“拐点”已至！英伟达的未来不止GPU，黄仁勋指向了一个新“Q”

  • 播客访谈实录｜量子计算今天就已经能够为客户创造可量化的商业价值

  • 光子芯片新时代即将到来！专访上海交通大学陈险峰教授

  • 移动正谋划一盘量子计算的大棋？中国移动集团级首席专家钱岭谈算力网络

  • 趣话最大割问题：花果山之群猴博弈

关于量子前哨

荣耀“闪电”成最大黑马！背后是这家...
专家视点 | 海外利益保护的国际经验借鉴