量子科技中心_量科网

在该工作中，研究团队提出了“乘性-加性耦合量子经典混合物理信息神经网络”（QPINN-MAC）：这种创新混合架构将物理信息神经网络（PINNs）框架与量子神经网络（QNNs）框架相融合。具体而言，该团队证明了通过经典组件与量子组件之间的策略性耦合，QPINN-MAC仍能保持通用逼近性质，确保其理论上具备表征常微分方程（ODEs）复杂解的能力。同时，研究人员展示这种混合架构能有效缓解“贫瘠高原”问题——即参数空间中成本函数梯度随电路深度呈指数衰减的区域，这一QNNs中的固有障碍曾严重阻碍训练过程中的优化。此外，研究证实这些耦合机制可避免梯度坍缩，即使在高维条件下也能保证模型的可训练性。因此，该成果为构建具有理论收敛保障的量子经典混合模型开辟了新途径，这对QPINNs的实际应用至关重要。