混合量子-经典循环神经网络
该团队提出了一种混合量子-经典循环神经网络（QRNN）架构，其整个循环核心由经典前馈网络控制的参数化量子电路（PQC）实现。隐状态是n量子比特PQC的量子态，存在于指数级大的希尔伯特空间ℂ^2^n中。该PQC通过构造保持幺正性，使隐状态演化无需外部约束即可保持范数守恒。在每个时间步，电路中途读数值会与输入嵌入结合，并由前馈网络处理以提供显式经典非线性。输出参数化PQC后，通过幺正动力学更新隐状态。该QRNN架构紧凑且物理自洽，统一了：（i）作为高容量记忆的幺正循环过程；（ii）通过电路中途测量实现的局部观测；（iii）用于输入条件参数化的非线性经典控制。研究人员在情感分析、MNIST、置换MNIST、记忆复制和语言建模等任务中，通过最高14量子比特的仿真评估该模型，采用投影测量作为极限情况来获取中途读数，同时保持相干的循环量子记忆。此外，该工作还在序列到序列模型中设计了基于中途读数的软注意力机制，证明了其在机器翻译中的有效性。据研究人员所知，这是首个基于量子操作、在广泛序列学习任务中能与强大经典基线模型竞争性能的（循环或其他类型）模型。
