量子科技中心_量科网

经典神经网络日益增长的计算需求，促使人们不断探索高能效且强大的计算替代方案。基于集成光子平台实现的量子神经网络（QNN）提供了一条引人注目的途径，它能带来卓越的计算能力提升，同时兼具集成架构固有的可编程性和可扩展性。然而，一个关键挑战在于，如何在线性量子光子系统中实现QNN中基本的非酉和非线性激活函数。现有策略，如添加辅助量子比特并采用基于测量的反馈或前馈，受到高量子比特资源成本、额外器件开销以及级联性差的限制。在此，该团队提出了一种新型深度光子QNN，通过输入复制和模式扩展来扩充计算希尔伯特空间，从而能够在可编程线性量子光子芯片上实现有效的非酉和非线性激活。该方法无需物理辅助量子比特、测量诱导的量子比特消耗以及测量器件负担，从而显著降低了资源成本。所制造的芯片集成了四个高质量纠缠源和一个可编程的高维干涉网络，实现了具有两个隐藏层的QNN，与现有QNN架构相比，其表达能力得到维度增强。该团队展示了它在多种任务上的能力，包括非线性分类、图像生成和量子吉布斯态制备。该工作为构建能够解决经典计算无法企及问题的实用量子深度学习系统，建立了一种可扩展且高效的架构。