[论文解读] A neural-network-like quantum information processing system

Mitja Peruš, Horst Bischof|ArXiv.org|May 13, 2003

Neural Networks and Applications参考文献 8被引用 6

一句话总结

本文提出了一种受霍普菲尔德网络与全息神经网络启发的量子信息处理系统，利用量子叠加与波函数坍塌实现关联记忆与模式识别。它展示了如何通过复值波函数与类似海勃的耦合，使量子动力学模拟神经计算，且通过测量诱导的坍塌实现对量子计算结果的经典式读出。

ABSTRACT

The Hopfield neural networks and the holographic neural networks are models which were successfully simulated on conventional computers. Starting with these models, an analogous fundamental quantum information processing system is developed in this article. Neuro-quantum interaction can regulate the "collapse"-readout of quantum computation results. This paper is a comprehensive introduction into associative processing and memory-storage in quantum-physical framework.

研究动机与目标

• 建立一个与经典霍普菲尔德网络类比的量子关联记忆系统的理论框架。
• 探讨量子力学如何在自然系统（尤其是大脑）中支撑类神经的信息处理。
• 研究波函数坍塌在将量子动力学转化为可观测的经典神经活动中的作用。
• 通过量子形式化证明量子模式识别与内容寻址存储的可行性。
• 识别可能的生物可实现机制——如突触-树突网络与微管网络——以实现量子与神经动力学的协同作用。

提出的方法

• 将经典霍普菲尔德网络的能量最小化与海勃学习规则适配至使用复值波函数的量子形式化。
• 分别用量子态振幅 $ \psi^k $ 和量子记忆算符 $ G $ 替代实值神经元活动 $ q_i $ 与突触权重 $ J_{ij} $。
• 采用量子更新规则的连续积分形式：$ \psi(\vec{r}_2, t_2) = \int G(\vec{r}_1, \vec{r}_2) \psi'(\vec{r}_1, t_1) d\vec{r}_1 $，其中 $ G(\vec{r}_1, \vec{r}_2) = \sum_{k=1}^P \psi^k(\vec{r}_1) \psi^k(\vec{r}_2) $。
• 将记忆回放建模为对存储本征态的投影，输出为 $ \psi(\vec{r}) \approx \sum_k C^{\prime k} \psi^k(\vec{r}) $，其中匹配模式的 $ C^{\prime k} \approx 1 $。
• 引入神经-量子相互作用作为波函数坍塌的机制，将量子叠加转化为经典实值神经活动。
• 借鉴全息量子系统与量子测量理论，以支持该模型的物理可行性。

实验结果

研究问题

• RQ1 神经网络中的关联记忆与模式识别能否从根本上用量子形式化描述？
• RQ2 波函数坍塌如何在认知系统中促成从量子叠加到经典神经读出的过渡？
• RQ3 量子纠缠与非定域性在实现高效并行分布式信息处理中起什么作用？
• RQ4 自然量子系统（如微管或突触网络）能否通过量子动力学支持类神经计算？
• RQ5 如何利用现有量子技术以生物上可行的方式编码与解码量子信息处理？

主要发现

• 该量子霍普菲尔德类系统通过幺正演化与测量诱导的坍塌实现内容寻址存储，支持对存储模式的关联回忆。
• 该模型表明，量子叠加与干涉可被用于并行分布式计算，结果通过波函数坍塌投影为经典可观测量。
• 量子模式重构实现了信噪比，其中信号分量 $ A \doteq 1 $ 且噪声 $ B \doteq 0 $，表明记忆回忆具有高保真度。
• 系统的动力学由复值核 $ G(\vec{r}_1, \vec{r}_2) = \sum_k \psi^k(\vec{r}_1) \psi^k(\vec{r}_2) $ 控制，其与经典海勃矩阵 $ J $ 类似，但具有量子振幅结构。
• 通过环境耦合实现的神经-量子相互作用，使量子态坍塌为经典实值神经活动，为测量读出提供了机制。
• 理论与物理可行性得到支持，其类比于全息量子系统，以及现有量子计算技术（如NMR与激光编码）。”