近期，量子机器学习研究蓬勃发展，这得益于量子计算在加速机器学习方面的潜力。然而，基于神经常微分方程（神经ODE）的残差神经网络（ResNets）这一机器学习领域尚未被充分探索——该技术旨在运用常微分方程原理提升神经网络效能。该工作阐释了模拟里德堡原子量子计算机为何特别适配ResNets，并推出创新框架ResQ，该框架通过优化里德堡原子量子计算机的动力学特性，利用模拟量子神经ODE来解决机器学习中的分类问题。
