中國海洋大學在量子人工智能領域取得重要進展

近日，中國海洋大學信息科學與工程學部教授顧永建團隊在國際計算機和人工智能頂級期刊《模式分析與機器智能匯刊》上在線發表關于量子門控循環神經網絡研究的最新成果。

量子計算作為全球科技競爭的前沿領域，近年來備受關注。探索近期含噪聲中等規模量子（NISQ）計算機的優勢應用，是當前的核心研究方向之一。量子計算可以為人工智能提供指數級加速，量子神經網絡作為量子計算與人工智能交叉領域的研究熱點，不僅是探索NISQ計算機優勢應用的主要方向之一，也是推動人工智能技術發展的重要手段。

展現量子神經網絡相比傳統經典模型在理論與應用中的優勢，對加速量子計算和人工智能的實際應用具有重要意義。

在量子神經網絡中，“高原貧瘠現象”是其面臨的主要挑戰之一。該現象指當量子神經網絡規模增大時，其損失函數的梯度在參數空間的大部分區域有可能趨近于零，導致優化算法難以更新參數，從而陷入優化停滯狀態，這限制了量子神經網絡在實際復雜問題中的擴展能力。另一方面，經典深度神經網絡也面臨類似挑戰，即梯度消失和梯度爆炸現象，特別是在循環神經網絡處理長序列數據時，模型難以捕獲長序列中的遠程依賴關系，導致“長期依賴問題”。

針對這些挑戰，團隊提出了一種全新架構的量子神經網絡模型——量子門控循環神經網絡（QGRNN）。該模型融合了變分量子算法和經典循環網絡的優勢，構建了帶有門控機制的量子循環神經網絡架構，在理論與實際應用層面均取得重要進展。

具體而言，團隊基于量子神經網絡架構特性，利用參數化量子線路實現了類似經典門控單元的功能機制，確保QGRNN兼具高效學習性能和硬件可執行性。同時，基于量子線路的幺正演化過程，研究團隊嚴格證明了QGRNN長距離輸出密度矩陣之間的雅可比矩陣范數與時間長度無關，從根本上解決了經典循環神經網絡的長期依賴問題。此外，通過參數移動法則，進一步證明了QGRNN不會出現梯度爆炸現象。

為克服量子神經網絡中的“高原貧瘠現象”，研究團隊巧妙利用QGRNN的門控循環單元結構特點與參數共享機制，增強量子擬設線路的結構化特征和參數關聯性，有效打破條件，從而避免梯度消失問題的發生。研究團隊通過大量數值實驗驗證了QGRNN的性能優勢，涵蓋長序列基準問題測試、基因調控網絡動力學預測、股市價格預測等多個應用場景。

實驗結果表明，QGRNN在處理長序列數據和解決復雜動力學問題時，展現出顯著的性能優勢與廣闊的應用潛力。

該研究得到了山東省自然科學基金重大基礎研究項目“強泛化抗噪聲的量子深度神經網絡及其應用研究”及國家自然科學基金青年項目的資助。

論文相關信息：

https://doi.org/10.1109/TPAMI.2024.3519605