[论文解读] Quantum neural networks driven by information reservoir

Deniz Türkpençe, Tahir Çetin Akıncı+1 more|arXiv (Cornell University)|Sep 11, 2017

Quantum Information and Cryptography参考文献 2被引用 3

一句话总结

本文提出一种基于与量子信息储层耦合的相互作用自旋模型的量子神经网络（QNN）单元，采用碰撞模型模拟马尔可夫与非马尔可夫动力学。研究发现，马尔可夫储层可实现稳定且相干的稳态输出，适用于量子神经计算；而非马尔可夫动力学则引发记忆效应，导致输出不稳定，不利于可靠计算。

ABSTRACT

This study concerns with the dynamics of a quantum neural network unit in order to examine the suitability of simple neural computing tasks. More specifically, we examine the dynamics of an interacting spin model chosen as a candidate of a quantum perceptron for closed and open quantum systems. We adopt a collisional model enables examining both Markovian and non-Markovian dynamics of the proposed quantum system. We show that our quantum neural network (QNN) unit has a stable output quantum state in contact with an environment carrying information content. By the performed numerical simulations one can compare the dynamics in the presence and absence of quantum memory effects. We find that our QNN unit is suitable for implementing general neural computing tasks in contact with a Markovian information environment and quantum memory effects cause complications on the stability of the output state.

研究动机与目标

• 研究闭合与开放量子系统中量子神经网络单元的动力学，以应用于神经计算。
• 评估基于自旋的量子感知器模型在不同环境条件下实现神经计算任务的适用性。
• 评估马尔可夫与非马尔可夫储层对QNN输出态稳定性与相干性的影响。
• 探索量子储层是否可作为神经网络架构中混合态量子计算的平台。

提出的方法

• 采用碰撞模型模拟开放量子系统动力学，以研究马尔可夫与非马尔可夫储层的相互作用。
• 将QNN单元建模为具有偶极-偶极耦合的相互作用自旋系统，将量子比特表示为量子节点。
• 系统哈密顿量包含QNN单元与输入储层之间的翻转-翻转相互作用，通过调节耦合强度控制动力学行为。
• 通过计算输出态与目标储层态之间的量子互信息及保真度，评估信息传递与态稳定性。
• 利用$l_1$-范数相干性量化输出节点的相干性，以分析稳态下的量子效应。
• 对最多三个输入节点进行数值模拟，涵盖包括相干叠加在内的各种储层态。

实验结果

研究问题

• RQ1 当耦合至量子信息储层时，量子神经网络单元能否实现稳定输出态？
• RQ2 马尔可夫与非马尔可夫储层动力学如何影响QNN输出态的稳定性和相干性？
• RQ3 输出态在多大程度上能保持量子相干性？其在混合态环境中能否支持纯量子效应？
• RQ4 能否通过调节耦合强度与输入节点数量作为控制参数，以调控QNN的稳态输出？
• RQ5 非马尔可夫动力学对量子神经计算任务是有利还是有害？

主要发现

• 在马尔可夫 regime 中，QNN 单元达到稳定稳态输出，为储层态的加权统计混合，残余相干性足以揭示量子效应。
• 在马尔可夫情况下，输出态与目标储层态之间的保真度趋于高值，表明信息传递有效。
• 在非马尔可夫 regime 中，量子互信息显示信息回流，保真度呈现振荡行为，表明信息泄漏与不稳定性。
• 由于记忆效应，非马尔可夫动力学下的输出态变得模糊且不稳定，相干性亦呈振荡而非稳定。
• 非马尔可夫动力学显著降低输出态的可靠性，使其不适合一致的量子神经计算任务。
• 系统表明，弱耦合至马尔可夫储层可实现稳定且可控的输出态，支持储层驱动型量子神经网络的可行性。