利用快速权重学习编程变分量子电路

量子机器学习 (QML) 已作为一种前沿框架出现，用于解决序列控制任务和时间序列建模问题。它在强化学习 (RL) 和时间序列预测等领域中展示了显著的实证量子优势。一项重大进展是量子循环神经网络 (QRNN)，其专为包含部分可观测环境和非线性时间序列预测等内存密集型任务而定制。然而，基于 QRNN 的模型面临挑战，特别是由于需要通过时间反向传播 (BPTT) 计算量子梯度而导致的训练时间过长。当在量子设备上执行完整模型时，这一困境尤为加剧，主要原因是参数平移规则 (parameter-shift rule) 产生了巨大的电路评估需求。本文提出了量子快速权重编程器 (QFWP) 作为解决时间或序列学习挑战的方案。QFWP 利用一个经典神经网络（称为“慢速编程器”）作为量子编程器，以快速修改变分量子电路（称为“快速编程器”）的参数。慢速编程器并非在每个时间步完全覆盖快速编程器，而是生成量子电路参数的变化量或更新量。这种方法使快速编程器能够整合过去的观测或信息。值得注意的是，所提出的 QFWP 模型无需使用量子循环神经网络即可实现对时间依赖关系的学习。本研究进行的数值模拟展示了所提出的 QFWP 模型在时间序列预测和 RL 任务中的有效性。该模型表现出的性能水平与基于 QLSTM 的模型相当或更优。