量智信息中心_量科网

科莫哥洛夫-阿诺德网络（KAN）已展现出在科学领域回归问题中超越经典深度神经网络的能力，且所需可训练参数大幅减少。其结构由单变量B样条函数构成，这一特性赋予了该模型更强的可解释性优势，使研究人员能从训练好的KAN中推导出各类问题的闭式方程。本文提出了一种基于量子数据重上传（DR）模型的量子启发式KAN变体——量子启发重上传KAN（QuIRK）模型，该模型采用单量子比特DR模型替代B样条作为单变量函数逼近器，在参数更少的情况下仍能匹配或超越传统KAN性能，这一优势在处理周期函数时尤为显著。由于该模型仅使用单量子比特电路，通过常规GPU加速即可实现经典计算机的高效模拟。最后，该工作证实QuIRK模型不仅保留了可解释性优势，仍具备生成闭式解的能力。