量子科技中心_量科网

采用单比特精度权重的二元神经网络（BiNNs）已成为降低内存使用和功耗的有效方案，同时能在大规模系统中保持优异性能。然而，由于传统训练算法的局限性，BiNNs的训练仍面临重大挑战。量子超网络通过利用量子计算，为增强BiNN优化提供了新范式——具体而言，该研究团队采用变分量子算法通过量子电路测量生成二进制权重，同时量子叠加和纠缠等关键现象有助于探索更广阔的解决方案空间。该工作建立了该方法与贝叶斯推断的关联性：当可直接访问输出分布（如仿真场景）时，推导出证据下界（ELBO）；针对实践中常见的隐式分布场景，则引入基于最大平均差异（MMD）指标的替代ELBO。实验结果表明，所提方法优于标准最大似然估计（MLE），有效提升了可训练性与泛化能力。