QuKAN：基于量子电路 Born 机器的量子 Kolmogorov Arnold 网络
量子物理
2025-06-30 v1 计算机视觉与模式识别
机器学习
摘要
Kolmogorov Arnold 网络（KANs）基于 Kolmogorov Arnold 表示定理（KAR），在以更少神经元表达复杂函数方面展现了巨大的潜力。这通过在边缘而非节点上实现可学习参数来实现，与传统网络（如多层感知器，MLP）形成鲜明对比。然而，KANs 在量子机器学习中的潜力尚未得到充分探索。本文提出了使用量子电路 Born 机器（QCBM）实现这些 KAN 架构的 hybrid 和完全量子形式。我们采用预训练的残差函数来调整 KAN 传输，从而利用参数化量子电路的表示能力。在 hybrid 模型中，我们将经典 KAN 组件与量子子程序相结合，而在完全量子版本中，将整个残差函数架构转化为量子模型。我们展示了 proposed Quantum KAN（QuKAN）架构的可行性、可解释性和性能。
引用
@article{arxiv.2506.22340,
title = {QuKAN: A Quantum Circuit Born Machine approach to Quantum Kolmogorov Arnold Networks},
author = {Yannick Werner and Akash Malemath and Mengxi Liu and Vitor Fortes Rey and Nikolaos Palaiodimopoulos and Paul Lukowicz and Maximilian Kiefer-Emmanouilidis},
journal= {arXiv preprint arXiv:2506.22340},
year = {2025}
}