利用残差连接弥合经典与量子神经网络之间的差距
量子物理
2026-04-20 v1
摘要
我们引入了混合量子残差网络（HQRN），并建立了其状态演化与带有残差连接的经典网络动力学之间的精确函数对应关系。当输入被限制在计算基上时，HQRN 退化为其经典类比，从而能够将优化后的经典权重直接转化为量子酉操作，有效地继承了经典优化的地形优势。相反，当处理一般混合态时，HQRN 利用非对角量子关联来解析其经典类比无法触及的特征。我们通过数字识别和二分纠缠分类验证了这一框架。值得注意的是，即使对于模拟纠缠对边缘测量统计量的对抗性可分态，HQRN 也能实现高分类精度。我们的结果弥合了经典与量子残差学习之间的差距，为深度量子架构铺平了可扩展的途径。
引用
@article{arxiv.2604.15626,
title = {Bridge the Gap between Classical and Quantum Neural Networks with Residual Connections},
author = {Junxu Li},
journal= {arXiv preprint arXiv:2604.15626},
year = {2026}
}
备注
17 Pages, 8 Figures