模拟Hopfield神经网络联想记忆的实验性量子随机行走

随着量子信息与机器学习之间交叉的日益增长,神经网络的量子模拟引起了空前强烈的关注,尤其是Hopfield神经网络的联想记忆模拟,因其广泛应用以及相对简单的结构而允许更容易地映射到量子 regime。量子随机行走作为分析量子动力学的极强有力工具,近来被提出用于模拟依赖于汉明距离的放电模式与联想记忆。我们成功将理论方案映射到三维光子量子芯片上,并通过传播常数良好控制的失谐实现量子随机行走演化。我们展示了实验量子方案与Hopfield神经网络预期结果之间联想记忆的良好匹配率。量子模拟神经网络重要特征的能力,结合我们通过低损耗集成芯片和直接哈密顿量工程实现方法的可扩展性,为面向优化与计算任务效率大幅提升的光子人工智能器件提供了初级但稳健的一步。