基于 Fock 基测量的类糖类参量相互作用模拟量子神经网络训练
量子物理
2026-04-15 v3 无序系统与神经网络
摘要
量子神经网络承诺将机器学习的强大能力扩展至量子域，潜在应用涵盖自动识别量子态及控制量子器件。然而，其物理实现与训练仍具挑战。特别是，支撑经典神经网络高效性的反向传播算法难以直接应用于大型量子系统，因为非线性量子动力学难以高效模拟。相较之下，变分量子电路通常依赖参数迁移规则或基于抽样的梯度估计。本文提出一种基于参量耦合高斯模态的类糖类量子神经网络。虽然底层量子动力学为线性，但通过 Fock 基测量实现非线性输出特征。由于高斯演化可在 Heisenberg 表示下高效模拟，系统允许通过对动力学的经典模型求导实现梯度优化，而正向演化可在量子硬件上实现。这种混合方法使得无需从实验装置提取梯度即可对物理上有意义的参数进行端到端训练。此类架构天然适用于具备可调参量耦合器的量子电磁力学平台，以及集成光子系统中施加 (2) 或 (3) 非线性的装置。我们的结果表明，线性类糖类网络结合非线性测量提供了一条通向可实现的量子神经网络的可扩展且可训练的路径。
引用
@article{arxiv.2411.19112,
title = {Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement},
author = {Julien Dudas and Baptiste Carles and Elie Gouzien and Julie Grollier and Danijela Marković},
journal= {arXiv preprint arXiv:2411.19112},
year = {2026}
}