量子Hopfield神经网络的最优存储容量

量子神经网络构成了新兴量子机器学习领域的一个支柱。在此，已实现经典网络量子泛化的联想记忆——能够从损坏的初始状态检索模式或记忆——已被提出。分析具有大量模式的量子联想记忆，并确定量子网络能够可靠存储的最大模式数量（即其存储容量）是一个具有挑战性的开放问题。在这项工作中，我们提出并探索了一种评估量子神经网络模型最大存储容量的通用方法。通过推广经典领域中所谓的Gardner方法，我们利用经典自旋玻璃理论来推导具有淬灭模式变量的量子网络的最优存储容量。作为一个例子，我们将我们的方法应用于由相互作用的自旋-1/2粒子形成的开放系统量子联想记忆，其实现耦合的人工神经元。该系统经历马尔可夫时间演化，源于竞争性的耗散检索动力学与相干量子动力学。我们绘制了非平衡相图，并研究了温度和哈密顿量动力学对存储容量的影响。我们的方法为量子联想记忆存储容量的系统性表征开辟了途径。