量子科技中心_量科网

在动态、真实的现实环境中，人工智能需要具备持续学习的能力。然而，标准深度学习存在一个根本性问题：可塑性丧失，即神经网络逐渐失去从新数据中学习的能力。该研究团队证明，量子学习模型能天然克服这一局限，在长时间尺度上保持可塑性。研究人员通过监督学习和强化学习等多种学习范式，以及从经典高维图像到量子原生数据集等不同数据模态，系统性地验证了这一优势。虽然经典模型会因权重和梯度的无限制增长而出现性能退化，但量子神经网络无论面对何种数据或任务都能保持稳定的学习能力。该工作将这一优势归因于量子模型固有的物理约束特性——与经典网络中无限制权重增长导致优化地形崎岖或饱和不同，幺正约束将优化过程限制在紧凑流形上。这些结果表明，量子计算在机器学习中的应用价值不仅限于潜在的速度优势，更为构建自适应人工智能和终身学习系统提供了稳健路径。