混合量子-经典选择性状态空间人工智能

混合量子经典 (HQC) 算法是在大规模数值任务中利用量子系统计算优势的最有效范式之一。通过在高维 Hilbert 空间中运行，量子电路能实现指数级加速，并与纯经典方法相比，提供对代价景观更丰富的表示。这些能力对机器学习尤为相关，因为当前最先进的模型，特别是在自然语言处理 (NLP) 领域，由于大规模矩阵乘法和高维优化而面临极高的时间复杂度。在本文中，我们为 Mamba 架构提出了一种混合量子经典选择机制，专门针对时间序列分类问题设计。我们的方法利用变分量子线路 (VQC) 作为量子门控模块，既增强了特征提取，又改善了对无关信息的抑制。这种集成通过利用量子资源进行更高效的表示学习，直接解决了深度学习架构的计算瓶颈。我们分析了将量子子程序引入大语言模型 (LLM) 如何影响其泛化能力、表达能力和参数效率。结果突显了量子增强门控机制作为通向可扩展、资源高效 NLP 模型路径的潜力，且仅需有限的模拟步骤。在输入格式为 (batch, 784, d_model) 的重塑 MNIST 数据集上的前四个 epoch 中，我们的混合模型在使用一个量子层的情况下实现了 24.6% 的准确率，并获得了比纯经典选择机制取得的 21.6% 更高的表达能力。我们声明无资金资助。