量子科技中心_量科网

经典连续空间神经网络从根本上难以锁定精确的数学对称性，例如模运算和非交换代数。为了近似这些离散逻辑规则，它们通常依赖大规模参数缩放，即便出现了被称为“顿悟”的延迟泛化现象，仍会导致随机不稳定性。在此，该团队引入了通用量子Transformer（UQT），这是一种根本性创新的量子原生计算架构，利用多量子比特系统的物理特性作为精确数学与代数推理的通用归纳偏置。该框架并非简单移植经典神经机制，而是完全依赖于参数化几何相位嵌入和 \(SU(2)\) 波干涉。该团队证明，运行在高度紧凑的5量子比特基底上的量子注意力电路，能够完美学习两种截然不同的形式类：循环模运算（\(\mathbb{Z}_{11}\)）和非阿贝尔代数（\(S_4\) 置换群）。当基于经典注意力的网络在收敛时表现出随机不稳定性时，UQT实现了数学上精确且确定性的泛化。该团队将这一现象称为“结晶化”：这是超越著名“顿悟”现象的一步。关键在于，该框架从理论上绕过了经典自注意力的二次方瓶颈，并以对数方式压缩所需的表示维度，消除了经典网络固有的过度参数化，从而带来了巨大的计算和内存优势。最后，该团队将该架构部署在含噪中等规模量子（NISQ）硬件上，证明了其在当前IBM量子计算机上的可行性。这些结果确立了参数化量子拓扑作为精确人工智能的普遍优越物理基底。