量子科技中心_量科网

混合量子-经典模型代表了利用近期量子设备处理序列数据的关键一步。该研究团队提出将量子循环神经网络（QRNNs）和量子卷积神经网络（QCNNs）作为混合量子语言模型，首次实证展示了在真实量子硬件上端到端训练和评估的生成式语言建模。该架构结合了硬件优化的参数化量子电路与轻量级经典投影层，采用多样本SPSA策略有效克服硬件噪声训练量子参数。 为评估模型能力，研究人员设计了一个合成数据集，用于在受控的低资源环境中隔离句法依赖性。在IBM量子处理器上的实验揭示了电路深度与可训练性之间的关键权衡，表明尽管噪声仍是主要影响因素，但基于可观测量读取的方案使得在NISQ设备上成功学习序列模式成为可能。这些成果为生成式量子自然语言处理建立了严谨的工程基准，验证了在当前量子硬件上训练复杂序列模型的可行性。