[论文解读] A Quantum Recurrent Neural Network

Patrick Rebentrost, Thomas R. Bromley+2 more|arXiv (Cornell University)|Oct 10, 2017

Quantum Computing Algorithms and Architecture被引用 1

一句话总结

本文提出了一种基于霍普菲尔德网络的量子循环神经网络，利用量子振幅编码在多项式大小的量子比特系统中存储指数级庞大的网络。通过将量子算法应用于经典霍普菲尔德操作，实现了对数据维度的对数级量子计算复杂度，从而实现高效的模式识别，并在基因序列分类中展示了实际应用。

ABSTRACT

Quantum computing allows for the potential of significant advancements in both the speed and the capacity of widely used machine learning techniques. Here we employ quantum algorithms for the Hopfield network, which can be used for pattern recognition, reconstruction, and optimization as a realization of a content-addressable memory system. We show that an exponentially large network can be stored in a polynomial number of quantum bits by encoding the network into the amplitudes of quantum states. By introducing a classical technique for operating the Hopfield network, we can leverage quantum algorithms to obtain a quantum computational complexity that is logarithmic in the dimension of the data. We also present an application of our method as a genetic sequence recognizer.

研究动机与目标

• 开发一种量子增强的循环神经网络，以提升模式识别与优化能力。
• 通过振幅编码，利用多项式大小的量子态实现对指数级庞大霍普菲尔德网络的存储。
• 将霍普菲尔德网络操作的计算复杂度从经典多项式量级降低至数据维度的对数量级。
• 在基因序列识别中通过量子增强学习展示实际应用。

提出的方法

• 利用量子振幅编码将大规模霍普菲尔德网络表示为量子态的振幅，实现指数级压缩。
• 通过酉操作将经典霍普菲尔德网络动力学适配至量子框架，实现状态演化。
• 应用量子算法模拟网络更新，实现在数据维度上的对数级缩放。
• 利用量子相位估计算法与振幅放大技术，加速收敛与信息检索。
• 设计一种用于模式识别的量子线路，通过酉演化将输入模式映射至存储的记忆。
• 通过量子比特编码的生物序列进行基因序列识别任务，验证该方法的有效性。

实验结果

研究问题

• RQ1 量子振幅编码是否能够在量子系统中实现对大规模霍普菲尔德网络的指数级压缩？
• RQ2 量子算法是否能够将霍普菲尔德网络操作的计算复杂度从多项式量级降低至数据维度的对数量级？
• RQ3 量子增强的霍普菲尔德网络如何应用于现实世界的模式识别任务，如基因序列分析？
• RQ4 量子循环动力学在保持记忆检索保真度方面是否具有可行性与高性能？

主要发现

• 所提出的方法通过振幅编码，能够在多项式数量的量子比特中存储指数级庞大的霍普菲尔德网络。
• 量子计算复杂度随数据维度呈对数级缩放，显著优于经典方法。
• 该量子算法通过酉演化与振幅放大技术，实现了高效的模式检索与重构。
• 该方法在基因序列识别任务中展示了实际可行性，显示出在生物数据应用中的潜力。
• 该框架在保持经典霍普菲尔德网络内容可寻址记忆特性的同时，显著提升了可扩展性。
• 结果表明，该方法为在循环神经网络应用中实现量子优势提供了可行路径。