Q-RUN：量子启发数据重上传网络
机器学习
2025-12-25 v1 量子物理
摘要
数据重上传量子电路（DRQC）是实现量子神经网络的关键方法，已显示在拟合高频函数方面优于经典神经网络。然而，其实际应用受限于当前量子硬件的可扩展性。本文通过提出一种量子启发数据重上传网络（Q-RUN），将 DRQC 的数学范式引入经典模型，无需任何量子硬件即可保留量子模型的傅里叶表达优势。实验结果表明，Q-RUN 在数据建模和预测建模任务上均表现出优异性能。相对于完全连接层和最先进的神经网络层，Q-RUN 在某些任务上在模型参数上减少约一个数量级到三个数量级的误差。值得注意的是，Q-RUN 可作为标准完全连接层的即插即用替换方案，显著提升广泛神经网络架构的性能。这一工作说明量子机器学习的原理如何指导设计更具表达力的人工智能。
引用
@article{arxiv.2512.20654,
title = {Q-RUN: Quantum-Inspired Data Re-uploading Networks},
author = {Wenbo Qiao and Shuaixian Wang and Peng Zhang and Yan Ming and Jiaming Zhao},
journal= {arXiv preprint arXiv:2512.20654},
year = {2025}
}