量子循环单元：一种适用于 NISQ 设备的参数高效量子神经网络架构
量子物理
2026-01-28 v2
摘要
现代机器学习（ML）模型的快速增长在参数效率和计算资源需求方面带来了根本性挑战。本研究引入了量子循环单元（QRU），这是一种新颖的量子神经网络（NN）架构，专门设计用于应对这些挑战，同时保持与含噪中等规模量子（NISQ）设备的兼容性。QRU 利用量子受控交换（C-SWAP；Fredkin）门来实现受经典门控循环单元（GRU）启发的信息选择机制，通过量子操作实现对时间信息的选择性处理。通过其创新性的循环架构（具有测量结果前馈状态传播和跨时间步共享参数），无论输入序列长度如何，QRU 都能实现恒定的电路深度和恒定的参数数量，有效规避了严格的 NISQ 硬件限制。我们通过三个渐进式实验系统地验证了 QRU：(1) 振荡行为预测，其中 72 参数的 QRU 匹配了 197 参数的经典 GRU 性能；(2) Wisconsin 诊断性乳腺癌分类，其中 35 个参数达到了 96.13% 的准确率，与 167 参数的人工 NN 相当；(3) MNIST 手写数字识别，其中 132 个参数达到 98.05% 的准确率，优于 27,265 参数的卷积 NN。这些结果表明，与经典 NN 相比，QRU 始终以显著更少的参数实现相当或更优的性能，同时保持恒定的量子电路深度。该架构的量子原生设计将基于 C-SWAP 的信息选择与新颖的循环处理相结合，表明 QRU 有潜力成为下一代 ML 系统的基础构建块，为更高效、可扩展的量子 ML 架构提供了有前景的途径。
引用
@article{arxiv.2601.18164,
title = {Quantum Recurrent Unit: A Parameter-Efficient Quantum Neural Network Architecture for NISQ Devices},
author = {Tzong-Daw Wu and Hsi-Sheng Goan},
journal= {arXiv preprint arXiv:2601.18164},
year = {2026}
}
备注
32 pages, 10 figures, 8 tables (including supplementary material)