测量诱导量子神经网络
量子物理
2026-03-20 v1
摘要
我们引入测量诱导量子神经网络（Measurement-Induced Quantum Neural Network, MINN），这是一种自适应监测电路架构，其中中间测量结果决定后续层中的纠缠门。与标准监测电路中以随机方式抽样门位和门不同，MINN 中的门是可参数化和变分的，产生相关的、历史依赖的动力学，并通过测量反馈注入非线性。一般而言，MINN 预计无法被高效的经典模拟。为演示可行性，我们研究一种容许精确费米子模拟并可使用梯度估计器进行训练的匹配门 MINN。我们将该架构应用于连续优化、图像分类和谢林格-凯瑞太克（Sherrington-Kirkpatrick）自旋玻璃的基态搜索，发现该架构在各种监测率范围内均能实现有效训练和良好性能。
引用
@article{arxiv.2603.19200,
title = {Measurement-Induced Quantum Neural Network},
author = {Paul Argyle and Djamil Lakhdar-Hamina and Sarah H. Miller and Victor Galitski},
journal= {arXiv preprint arXiv:2603.19200},
year = {2026}
}
备注
6 pages , 2 pages appendix, 4 figures