量子科技中心_量科网

Transformer如今作为现代AI的核心基础设施而存在。其定义性能力——在复杂输入中动态聚焦于最相关信息——受限于自注意力评分函数的上界。量子计算凭借其叠加、纠缠和概率输出，为探索超越经典评分函数设计约束提供了根本不同的计算框架。尽管量子注意力机制已展现出初步潜力，但现有工作大多局限于重新定义特征相似性度量，而系统性地将参数化量子电路（PQC）用作评分函数的研究仍属空白；现有方案中有相当一部分依赖于纯量子架构，在含噪中等规模量子时代无法有效编码高维图像输入。该团队提出量子参数化自注意力网络（QPSAN），通过仅含每层5个可训练量子参数的PQC实现自注意力评分函数。QPSAN通过量子态编码和联合测量计算查询-键注意力分数，无需经典点积注意力的显式缩放即可生成自然有界输出。该团队进一步建立了该评分函数数学性质的理论框架，论证其捕获复杂非线性查询-键交互的潜力，并通过有效自由度分析量化编码层的结构约束。在四个视觉数据集上的实验表明，QPSAN显著优于视觉Transformer（ViT）基线，且量子表示优势随数据复杂度增加而放大。消融研究表明，性能提升可能源于量子电路的结构性归纳偏置，而非参数规模。