量子科技中心_量科网

基于科尔莫戈罗夫-阿诺德表示定理（KAR）构建的科尔莫戈罗夫-阿诺德网络（KANs），已展现出用较少神经元表达复杂函数的潜力。与传统多层感知机（MLPs）等网络不同，该技术通过在边缘而非节点上实现可学习参数来实现这一优势。但目前量子机器学习领域尚未充分探索KANs的应用前景。该研究团队提出了一种采用量子电路玻恩机（QCBM）实现的混合型及全量子型KAN架构方案。通过利用预训练残差函数进行KAN迁移，研究人员充分发挥了参数化量子电路的表示能力——混合模型将经典KAN组件与量子子程序相结合，而全量子版本则将残差函数的完整架构转化为量子模型。实验证实了所提出的量子KAN（QuKAN）架构在可行性、可解释性及性能方面的优势。