量子科技中心_量科网

数据重上传量子电路（DRQC）是实现量子神经网络的关键方法，其在高频函数拟合方面已被证明优于经典神经网络。然而当前量子硬件的可扩展性限制了该技术的实际应用。本文通过提出一种量子启发式数据重上传网络（Q-RUN），将DRQC的数学范式引入经典模型，该方案在无需任何量子硬件的情况下仍保留了量子模型的傅里叶表达优势。实验结果表明，Q-RUN在数据建模和预测建模任务中均展现出卓越性能。相较于全连接层和最先进的神经网络层，Q-RUN在特定任务中减少了模型参数的同时，将误差降低了约1-3个数量级。值得注意的是，Q-RUN可直接替代标准全连接层，从而提升各类神经架构的性能。该工作揭示了量子机器学习原理如何指导设计更具表达能力的人工智能系统。