QuIRK：量子启发式重新上传 KAN
量子物理
2025-10-21 v2 机器学习
摘要
Kolmogorov-Arnold 网络（KANs）在科学领域的回归问题中表现出超过经典深度神经网络的能力，同时使用 far 更少的可训练参数。更强大的是它们的可解释性，因为其结构由单变量 B 样条函数组成。这使得我们能够从广泛的问题中推导出闭式方程。本文介绍了基于量子数据重新上传（DR）模型的 KAN 的量子启发式变体。量子启发式重新上传 KAN（QuIRK）模型将 B 样条替换为单量子比特 DR 模型作为单变量函数逼近器，使其能够匹配或超越传统 KANs，同时使用更少的参数。这在周期函数的情况下尤为明显。此外，由于模型仅使用单量子比特电路，它仍可通过直截的 GPU 加速在经典上进行模拟。最后，我们还展示了 QuIRK 保留了可解释性优势以及产生闭式解答的能力。
引用
@article{arxiv.2510.08650,
title = {QuIRK: Quantum-Inspired Re-uploading KAN},
author = {Vinayak Sharma and Ashish Padhy and Lord Sen and Vijay Jagdish Karanjkar and Sourav Behera and Shyamapada Mukherjee and Aviral Shrivastava},
journal= {arXiv preprint arXiv:2510.08650},
year = {2025}
}