量子科技中心_量科网

量子神经网络已成为极具前景的量子机器学习模型，其利用量子系统特性和经典优化方法来解决物理学及其他领域的复杂问题。然而，先前研究已证明这些模型存在不可避免的可训练性问题，严重制约了其在大规模场景中的应用能力。该工作受ResNet快速信息通道机制和量子信息理论中通用量子电路架构的启发，提出了一种量子递归嵌入神经网络（QRENN）。通过运用动态李代数方法，研究人员对QRENN电路的可训练性进行了严格证明，表明这种深度量子神经网络能够规避训练高原现象。值得注意的是，通用QRENN架构具有抗经典模拟的特性，因其涵盖了量子信号处理（QSP）、量子奇异值变换（QSVT）及确定性量子计算（DQC1）等被普遍认为经典计算机难以处理的强大量子电路。基于这一理论基础，该团队将QRENN成功应用于量子哈密顿量精确分类和对称性保护拓扑相检测，验证了其在量子监督学习中的适用性。这些成果凸显了递归数据嵌入在量子神经网络中的强大效力，以及可扩展量子监督学习在预测物理特性和解决复杂问题方面的潜力。