QKAN-LSTM：量子启发式柯尔莫哥洛夫-阿诺德长短期记忆
量子物理
2026-03-02 v2 人工智能
机器学习
摘要
长短期记忆（LSTM）模型是循环神经网络（RNN）的一种特定类型，在城市电信预测等领域至关重要，这些领域中时间相关性和非线性依赖关系占主导地位。然而，传统 LSTM 存在高参数冗余和有限非线性表达能力的问题。在本工作中，我们提出了量子启发式柯尔莫哥洛夫-阿诺德长短期记忆（QKAN-LSTM），它将数据重上传激活（DARUAN）模块集成到 LSTM 的门控结构中。每个 DARUAN 作为量子变分激活函数（QVAF），增强频率适应性并在不引入多量子比特纠缠的情况下实现指数丰富的谱表示。由此产生的架构在保持量子级表达能力的同时，可在经典硬件上完全执行。在三个数据集——阻尼简谐运动、贝塞尔函数和城市电信——上的经验评估表明，QKAN-LSTM 相比经典 LSTM 以 79% 的可训练参数减少实现了更优的预测准确性和泛化能力。我们将该框架扩展到江-黄-陈-高网络（JHCG Net），该网络将 KAN 推广至编码器-解码器结构，然后进一步使用 QKAN 实现潜在 KAN，从而创建用于分层表示学习的混合 QKAN（HQKAN）。所提出的 HQKAN-LSTM 因此为量子启发式序列建模在真实数据环境中提供了可扩展且可解释的路径。
引用
@article{arxiv.2512.05049,
title = {QKAN-LSTM: Quantum-inspired Kolmogorov-Arnold Long Short-term Memory},
author = {Yu-Chao Hsu and Jiun-Cheng Jiang and Chun-Hua Lin and Kuo-Chung Peng and Nan-Yow Chen and Samuel Yen-Chi Chen and En-Jui Kuo and Hsi-Sheng Goan},
journal= {arXiv preprint arXiv:2512.05049},
year = {2026}
}
备注
10 pages. Camera-ready version for IEEE International Conference on Quantum Communications, Networking, and Computing (QCNC), 2026