基于单元变换的量子 RNN 与 LSTM
量子物理
2026-03-26 v2 机器学习
摘要
本文提出了一种用于建模量子循环神经网络（RNN）及其增强版本——长短期记忆网络（LSTM）的框架，基于 Linden 等人（2009）提出的核心思想，其中研究了单元变换的纠缠和去纠缠功率。在 particular，我们将纠缠和去纠缠功率解释为 LSTM 中的信息保留和遗忘机制。因此，纠缠成为优化（训练）过程的关键组成部分。我们认为，通过利用单元纠缠功率的先验知识，该提出的量子-经典框架可以指导设计更好的参数化量子电路，以适用于各种实际应用。
引用
@article{arxiv.2505.06774,
title = {Quantum RNNs and LSTMs Through Entangling and Disentangling Power of Unitary Transformations},
author = {Ammar Daskin},
journal= {arXiv preprint arXiv:2505.06774},
year = {2026}
}
备注
accepted to ICAART 2026; the simulation code can be downloaded from https://github.com/adaskin/quantum-lstm