量子科技中心_量科网

长短期记忆（LSTM）模型是一种特殊的循环神经网络（RNN），在具有显著时间相关性和非线性依赖性的领域（如城市电信流量预测）中占据核心地位。然而，传统LSTM存在参数冗余度高和非线性表达能力有限的问题。该工作提出量子启发式科尔莫戈罗夫-阿诺德长短期记忆网络（QKAN-LSTM），通过将数据重上传激活模块（DARUAN）集成到LSTM门控结构中，每个DARUAN作为量子变分激活函数（QVAF），在无需多量子比特纠缠的情况下增强频率适应能力，实现指数级丰富的光谱表征。该架构在保持量子级表达能力的同时，可完全在经典硬件上运行。在阻尼简谐运动、贝塞尔函数和城市电信流量三个数据集上的实验表明，QKAN-LSTM相较传统LSTM减少79%可训练参数的同时，实现了更优的预测精度和泛化能力。该团队进一步将该框架扩展为江-黄-陈-管网络（JHCG Net），将KAN推广至编码器-解码器结构，继而利用QKAN实现潜在KAN，最终构建出用于层次表征学习的混合QKAN（HQKAN）。由此提出的HQKAN-LSTM为现实数据环境中的量子启发性序列建模提供了可扩展且可解释的实现路径。