研究人员开发了量子端口哈密顿神经网络(Q-pHNNs),这是一类新颖的参数化量子电路,旨在学习经典动力学并保持结构。该框架利用同构哈密顿映射(IHM),其中斜对称互连矩阵$\mathbf{J}$控制酉门演化,而半正定耗散矩阵$\mathbf{R}$通过中电路测量实现测量诱导非线性(MINL)。这种方法固有地强制执行守恒和无源性,而无需依赖惩罚项。在非线性摆和阻尼谐振子等系统上的实验显示了有希望的结果,包括最小能量漂移和特定电路中的完美能量单调性,以及阻尼系数的准确识别。 AI
影响 引入了一种学习经典动力学的新型量子电路架构,可能推动混合量子-经典机器学习的发展。
排序理由 该集群包含一篇详细介绍量子神经网络新方法的学术论文。
- Isomorphic Hamiltonian Mapping
- Measurement-Induced Nonlinearity
- Quantum Port-Hamiltonian Neural Networks
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →