超越经典神经网络边界：面向地震数据处理的量子-经典协同范式
机器学习
2026-03-26 v1 地球物理
摘要
近年来，各种神经网络（NN）方法在地震数据处理中表现良好，如去噪、插值和频带扩展。然而，这些方法依赖堆叠的感知器和标准激活函数，导致深层学习模型的表示能力受限，难以捕捉地震波场的复杂非平稳动力学。不同于依赖实值欧几里得空间的经典感知器堆叠 NN，量子 NN 利用量子力学的指数态空间将特征映射到高维希尔伯特空间，超越经典 NN 的表示边界。基于这一洞见，我们提出一种用于地震数据处理的量子-经典协同生成对抗网络（QC-GAN），作为量子 NN 在地震勘探中的首次应用。在 QC-GAN 中，量子路径用于挖掘高阶特征相关性，而卷积路径专注于提取地震波场的波形结构。此外，我们设计了 QC 特征互补损失以强制两种路径编码非重叠信息，从而丰富特征表示的容量。总体而言，通过协同集成量子路径和卷积路径，本文提出的 QC-GAN 打破了经典 GAN 固有的表示瓶颈。在去噪和插值任务上的实验结果表明，QC-GAN 在复杂噪声条件下保持了波场的连续性和振幅相位信息。
引用
@article{arxiv.2603.23984,
title = {Transcending Classical Neural Network Boundaries: A Quantum-Classical Synergistic Paradigm for Seismic Data Processing},
author = {Zhengyi Yuan and Xintong Dong and Xinyang Wang and Zheng Cong and Shiqi Dong},
journal= {arXiv preprint arXiv:2603.23984},
year = {2026}
}