QMoE：面向可扩展量子神经网络的量子混合专家框架
量子物理
2025-07-08 v1 计算机视觉与模式识别
摘要
量子机器学习（QML）在噪声中间规模量子（NISQ）时代已成为具有计算和存储优势的热门方向，能够利用叠加和纠缠。然而，QML 模型常因硬件限制面临可扩展性和表达性挑战。本文提出量子混合专家（QMoE），一种新型量子架构，将混合专家（MoE）范式整合到 QML 场景中。QMoE 由多个参数化量子电路组成，这些电路作为专家模型，以及一个可学习的量子路由机制，用于为每个输入选择和聚合特定的量子专家。来自该提议 QMoE 在量子分类任务中的实证结果表明，它持续优于标准量子神经网络，凸显其在学习复杂数据模式方面的有效性。我们的工作为可扩展和可解释的量子学习框架铺平了道路。
引用
@article{arxiv.2507.05190,
title = {QMoE: A Quantum Mixture of Experts Framework for Scalable Quantum Neural Networks},
author = {Hoang-Quan Nguyen and Xuan-Bac Nguyen and Sankalp Pandey and Samee U. Khan and Ilya Safro and Khoa Luu},
journal= {arXiv preprint arXiv:2507.05190},
year = {2025}
}