[论文解读] Neural Networks with c-NOT Gated Nodes

Fariel Shafee|ArXiv.org|Feb 2, 2002

Neural Networks and Applications参考文献 1被引用 9

一句话总结

该论文提出一种基于受控-非门（c-NOT）和与门（AND）连接的量子神经网络，用叠加态的量子比特节点和幺正操作替代经典神经元和确定性信号。结果表明，当系统通过阈值诱导坍缩至基态时，会表现出稳定、周期性的振荡，其频率与耦合强度成反比，从而实现基于初始空间输入模式的无限寿命动态记忆存储。

ABSTRACT

We try to design a quantum neural network with qubits instead of classical neurons with deterministic states, and also with quantum operators replacing teh classical action potentials. With our choice of gates interconnecting teh neural lattice, it appears that the state of the system behaves in ways reflecting both the strengths of coupling between neurons as well as initial conditions. We find that depending whether there is a threshold for emission from excited to ground state, the system shows either aperiodic oscillations or coherent ones with periodicity depending on the strength of coupling.

研究动机与目标

• 开发一种量子神经网络模型，利用量子门替代经典势能，以模拟生物神经元的整合-放电动力学。
• 研究特定量子门操作（特别是c-NOT门和AND门）如何产生与经典或半经典模型不同的集体动力学行为。
• 探讨量子系统中的阈值机制是否能诱导出类似于动态记忆系统的相干、周期性行为。
• 确定初始空间输入模式如何影响系统的长期动态行为，特别是振荡特性和稳定性。

提出的方法

• 量子比特节点代表神经元，其状态演化由c-NOT门和AND门等量子门导出的幺正算符所控制。
• 系统通过按时间顺序应用c-NOT门和AND门演化，其跃迁由幺正演化算符 U(t+dt,t) ≈ 1 + idtH 描述。
• 引入阈值机制，将激发的量子比特坍缩至基态，以模拟放电事件。
• 通过分析量子比特振幅、关联 ⟨i|j⟩ 和网络整体激发数的时间演化来研究动力学行为。
• 改变初始条件——在方形晶格的一侧、两侧或全部四侧施加激发——以研究模式依赖的行为。
• 调节耦合强度 ε，以考察其对振荡周期性和系统收敛性的影响。

实验结果

研究问题

• RQ1 在量子神经网络中，c-NOT门和AND门如何产生与经典或半经典模型不同的集体动力学？
• RQ2 阈值诱导的量子比特坍缩在稳定系统周期性振荡中起到何种作用？
• RQ3 激发的初始空间模式（例如单侧与双侧激发）如何影响系统的长期动态行为？
• RQ4 量子网络中振荡的周期性是否与耦合强度成反比？在强耦合下非线性行为如何出现？
• RQ5 该系统能否作为具有无限寿命的动态记忆装置，基于输入模式的映射实现？

主要发现

• 当阈值设定为0.7（略低于1/√2）时，系统在所有量子比特、关联量及总激发水平上均表现出稳定、周期性的振荡。
• 振荡周期近似与耦合强度 ε 成反比，且在强耦合下观察到非线性增强。
• 当仅在两侧平行施加激发时，系统收敛至无振荡的静态渐近态，表明动态平衡被破坏。
• 当在四侧均施加激发时，周期性振荡持续存在，但频率发生改变，表明由于双向信号干涉而形成动态吸引子。
• 量子比特之间的关联 ⟨i|j⟩ 也表现出周期性时间依赖，证实了相干的集体行为。
• 系统展现出无限期的动态记忆能力，因振荡持续不衰减，表明其在长期模式存储方面具有潜力。