量子科技中心_量科网

量子理论提供了诸如叠加态和纠缠态等非经典原理，为机器学习开辟了前景广阔的范式。然而，现有大多数量子启发融合模型仅依赖酉变换或类酉变换来生成量子纠缠。尽管这类方法在理论上具有表现力，但往往存在训练不稳定和泛化能力有限的问题。该工作提出了一种带有量子跃迁算子（QJ）的量子启发神经网络（QiNN-QJ）用于多模态纠缠建模。每个模态首先被编码为量子纯态，随后通过模拟量子跃迁算子的可微分模块将可分离乘积态转化为纠缠态表示。通过联合学习哈密顿算子和林德布拉德算子，QiNN-QJ在耗散动力学框架下生成可控的跨模态纠缠，其中结构化随机性和稳态吸引子特性可稳定训练过程并约束纠缠形态。最终生成的纠缠态被投影至可训练的测量向量以产生预测结果。除了在CMU-MOSI、CMU-MOSEI和CH-SIMS等基准数据集上超越现有最优模型的表现外，QiNN-QJ还通过冯·诺伊曼纠缠熵增强了事后可解释性。该研究为纠缠多模态融合建立了理论框架，并为建模复杂跨模态关联的量子启发方法开辟了新途径。