通过变分量子门控实现量子增强循环神经网络用于电池健康状态预测
量子物理
2026-04-23 v1
摘要
由于复杂的电化学退化机制和长程时间依赖性，锂离子电池的健康状态（SOH）精确估计仍然是一个具有挑战性的问题。在这项工作中，我们提出了一种称为QLSTM的量子增强循环框架，其中变分量子电路被直接嵌入到长短期记忆网络的门控机制中。通过用参数化的酉变换替代经典的仿射变换，所提出的模型在循环状态转移过程中引入了结构化的非线性变换。在多个基准电池数据集上的大量实验表明，QLSTM在预测精度和鲁棒性方面始终优于经典的序列模型，平均绝对误差（MAE）显著降低，与经典LSTM基线相比，改进幅度约为20%。消融研究进一步证实，这些改进主要源于量子增强的门控，而非输入级的变换。对量子比特缩放和噪声鲁棒性的额外分析表明，模型性能由表达能力与可训练性之间的平衡所决定。这些结果为将量子计算原语嵌入循环架构提供了一种结构上合理的方法来改进序列建模能力提供了实证证据。所提出的框架为将量子算子集成到时序学习模型中建立了一种新的设计范式，在复杂动力系统预测任务中具有潜在的应用前景。
引用
@article{arxiv.2604.20438,
title = {Quantum-Enhanced Recurrent Neural Networks via Variational Quantum Gating for Battery State of Health Prediction},
author = {Yin Xu and Qinglin Liu and Li Gao and Hua Xu},
journal= {arXiv preprint arXiv:2604.20438},
year = {2026}
}
备注
48 pages, 8 figures