HyQuRP：一种具有旋转不变性和置换不变性的混合量子-经典神经网络
量子物理
2026-05-08 v2 机器学习
摘要
群等变量子机器学习已成为一种通过纳入对称性来增强量子模型的有前景的范式。然而，以原则方式同时实现旋转和置换对称性的模型构建仍是一个瓶颈。本文发展了一个在旋转和置换下双等变门的通用框架，并使用群表示论分析所得门空间的维数。基于此，我们引入 HyQuRP，一种具有双等变性的混合量子-经典神经网络。在以稀疏点云为基准的 3D 点分类任务中，HyQuRP 在强大的经典和量子基准上取得了优异性能。例如，当使用六个抽样点时，HyQuRP（约 1.5K 参数）在 5 类 ModelNet 基准上达到 76.13% 的准确率，而 Tensor Field Network、PointNet 和 PointMamba 的类似参数数量分别为 72.54%、71.09% 和 71.03%。这些结果凸显了 HyQuRP 的强大数据效率，表明等变量子机器学习方法在对称性敏感任务中具有潜力。
引用
@article{arxiv.2602.06381,
title = {HyQuRP: Hybrid quantum-classical neural network with rotational and permutational equivariance},
author = {Semin Park and Chae-Yeun Park},
journal= {arXiv preprint arXiv:2602.06381},
year = {2026}
}
备注
12+41 pages; 1 figure