量子科技中心_量科网

连续变量（CV）量子光学因其能够复现这类可训练互联系统的信息处理过程，成为神经网络（NNs）的自然理论框架。在量子光学中，高斯算子作用于光学模式的正交分量上产生仿射映射，而非高斯资源——物理实现中的难点——则催生非线性效应，从而解锁了人工神经元的量子类比。该工作提出了一种实验可行的连续变量量子光学神经网络（QONNs）新框架，其采用现有光子器件构建：以相干态作为输入编码，通用高斯变换结合多模光子减除构成处理层，零差检测作为输出读取。通过推导该架构的闭式表达式，研究人员证明了基于光子减除模式数量产生的自适应激活函数族与量子光学神经元的存在，并验证所提设计在单层结构中满足通用逼近定理。为经典模拟QONN训练，该团队基于维克-伊瑟利斯展开和博戈留波夫变换开发了高性能QuaNNTO库，可在不截断无限维希尔伯特空间的情况下精确计算非高斯态的多层期望值。监督学习和态制备任务的实验结果表明，该架构在资源效率与强表达力、泛化能力之间取得平衡，展现了可扩展光子量子机器学习及复杂非高斯门合成等量子应用的潜力。