CTRQNets与LQNets：连续时间递归与液态量子神经网络
量子物理
2025-08-14 v2 人工智能
机器学习
神经与进化计算
摘要
神经网络在现代时代因其通过模式识别和行为重塑对复杂数据进行建模的能力而持续普及。然而，传统神经网络的静态构造抑制了动态智能。这使得它们对数据的时间变化缺乏灵活性，不适合捕捉复杂的依赖关系。随着量子技术的出现，创建量子算法方面取得了显著进展。近年来，研究人员开发了利用量子比特能力超越经典网络的量子神经网络。然而，它们当前的公式表现出静态构造，限制了系统的动态智能。为了解决这些弱点，我们开发了液态量子神经网络（LQNet）和连续时间递归量子神经网络（CTRQNet）。与现有的量子神经网络（QNN）相比，两种模型在准确性上都表现出显著提升，在CIFAR 10上通过二分类实现了高达40%的准确率提升。我们提出LQNets和CTRQNets可能为量子机器学习的黑箱带来曙光。
引用
@article{arxiv.2408.15462,
title = {CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks},
author = {Alejandro Antonio Mayorga and Alexander Yuan and Andrew Yuan and Tyler Wooldridge and Xiaodi Wang},
journal= {arXiv preprint arXiv:2408.15462},
year = {2025}
}