[论文解读] Quantum Pattern Recognition

Carlo A. Trugenberger|ArXiv.org|Oct 25, 2002

Quantum Computing Algorithms and Architecture被引用 20

一句话总结

本文提出一种量子关联记忆模型，将二进制模式存储在n量子比特计算基态的量子叠加中，实现指数级记忆容量。通过根据输入相似性（汉明距离）旋转记忆态，利用概率测量检索与输入最接近的模式，实现可调的高召回准确率，其调节参数类似温度，从而利用量子优势解决经典模型的记忆容量短缺问题。

ABSTRACT

I review and expand the model of quantum associative memory that I have recently proposed. In this model binary patterns of n bits are stored in the quantum superposition of the appropriate subset of the computational basis of n qbits. Information can be retrieved by performing an input-dependent rotation of the memory quantum state within this subset and measuring the resulting state. The amplitudes of this rotated memory state are peaked on those stored patterns which are closest in Hamming distance to the input, resulting in a high probability of measuring a memory pattern very similar to it. The accuracy of pattern recall can be tuned by adjusting a parameter playing the role of an effective temperature. This model solves the well-known capacity shortage problem of classical associative memories, providing an exponential improvement in capacity. The price to pay is the probabilistic nature of information retrieval, a feature that, however, this model shares with our own brain.

研究动机与目标

• 为解决经典关联记忆容量短缺问题，即最大存储模式数随神经元数线性增长（p_max ≈ 0.14n）
• 利用量子叠加与幺正演化，将所有2^n种n位二进制模式存储于n量子比特的计算基态叠加中，实现最优指数级容量
• 设计一种概率性但高效的资讯检索机制，可检索与噪声或不完整输入最相似的模式
• 引入可调参数（有效温度t与阈值T），独立控制识别与准确率
• 证明量子关联记忆可完全避免经典模型中常见的虚假记忆——通过幺正编码方式，无亚稳态极小值

提出的方法

• 将p个n位二进制模式作为n量子比特计算基态的量子叠加态存储，形成维度为p的子空间
• 在存储模式的子空间内执行与输入相关的幺正旋转，放大与输入汉明距离最近的模式的振幅
• 使用b个控制量子比特将记忆态嵌入更大的希尔伯特空间，实现通过振幅放大或重复测量实现高效态投影
• 采用广义Grover类算法实现旋转，对存储模式施加相位翻转，确保幺正演化且无虚假态
• 通过t = 1/b调节有效温度，控制振幅在与输入最相似的存储模式周围的集中程度，t越低，识别精度越高
• 通过测量控制量子比特进行后选择，将态投影至目标子空间，重复直至获得成功结果

实验结果

研究问题

• RQ1 量子叠加能否使关联记忆实现超越经典极限的指数级记忆容量？
• RQ2 如何利用量子态旋转实现对损坏或不完整输入最相似模式的概率性检索？
• RQ3 有效温度参数t = 1/b在控制模式识别准确率中起什么作用？
• RQ4 该模型如何避免经典关联网络（如Hopfield模型）中常见的虚假记忆？
• RQ5 能否通过振幅放大实现高效且可扩展的检索机制，使复杂度与n无关？

主要发现

• 该模型实现指数级记忆容量，可存储高达2^n个n位二进制模式，远超经典模型的O(n)极限
• 模式召回为概率性但高度准确，振幅集中在与输入汉明距离最近的存储模式上，确保相似模式具有高测量概率
• 识别准确率可通过阈值T调节，使用振幅放大时T = 80次重复已足够，而无振幅放大时需T = 6,000次
• 识别精度由b控制，其中t = 1/b作为有效逆温度；t越低，振幅越集中于最相似的模式
• 该模型完全避免虚假记忆，因为幺正算符M确保非存储模式的振幅为零，而经典模型在p/n ≈ 0.14后会出现亚稳态极小值
• 对于多项式规模p(n)，检索复杂度仅依赖于与n无关的参数T与b，可在热力学极限下实现高效实现