量子科技中心_量科网

现代机器学习（ML）模型的快速发展对参数效率和计算资源需求提出了根本性挑战。该研究提出量子循环单元（QRU）——一种专为解决这些问题而设计的新型量子神经网络架构，同时保持与含噪中等规模量子（NISQ）设备的兼容性。QRU利用量子受控交换门（C-SWAP；Fredkin）实现受经典门控循环单元（GRU）启发的信息选择机制，通过量子操作选择性处理时序信息。其创新性循环架构具有测量结果前馈状态传播和跨时间步共享参数的特点，使QRU无论输入序列长度如何都能保持恒定电路深度和参数数量，有效规避NISQ硬件的严格限制。该研究团队通过三项递进实验系统验证了QRU：（1）振荡行为预测任务中，72参数的QRU性能匹配197参数的经典GRU；（2）威斯康星乳腺癌诊断分类任务中，35参数实现96.13%准确率，媲美167参数人工神经网络；（3）MNIST手写数字识别任务中，132参数达到98.05%准确率，优于27,265参数的卷积神经网络。这些结果表明，QRU在保持恒定量子电路深度的同时，能以显著更少的参数持续实现媲美或超越经典神经网络的性能。该架构基于C-SWAP的信息选择与新型循环处理相结合的量子原生设计，预示着QRU有望成为下一代机器学习系统的核心构件，为构建更高效、可扩展的量子机器学习架构提供了可行路径。