正文

量子循环单元(QRU)：面向NISQ设备的高效参数化量子神经网络架构

台湾大学研究团队提出QRU架构，通过量子C-SWAP门实现信息选择机制，在保持恒定量比特线路深度的同时实现63.5%-99.5%的参数削减，并在振荡预测、乳腺癌分类和MNIST识别任务中验证其有效性。

quantum machine learningquantum neural networkNISQparameter efficiencyrecurrent neural networkGRUC-SWAP gatePennyLane

发布时间 2026/06/12 08:10最近活动 2026/06/12 08:18预计阅读 2 分钟

章节 01

【导读】量子循环单元(QRU)：面向NISQ设备的高效参数化量子神经网络架构

台湾大学研究团队提出量子循环单元(QRU)架构，针对噪声中等规模量子(NISQ)设备限制优化。通过量子C-SWAP门实现信息选择机制，保持恒定量子线路深度的同时实现63.5%-99.5%参数削减，并在振荡预测、乳腺癌分类和MNIST识别任务中验证有效性。

章节 02

背景：量子机器学习的参数困境与NISQ设备限制

现代机器学习模型面临参数爆炸挑战，经典RNN变体参数量随序列长度线性增长。当前NISQ设备量子比特有限、相干时间短，无法支持深层量子线路。传统方法难以平衡线路深度与表达能力，如何在NISQ约束下设计高效量子神经网络成为核心问题。

章节 03

QRU架构核心创新：量子域门控与参数高效设计

1. 量子域信息选择机制

借鉴经典GRU思想，通过C-SWAP门在量子态层面实现信息选择性传递与遗忘，利用量子并行性和纠缠特性，避免经典激活函数的复杂实现。

2. 测量结果前馈状态传播

每个时间步对量子态部分测量，将结果反馈到下一时间步参数化，保持恒定量子线路深度，解决经典RNN参数膨胀问题。

3. 跨时间步参数共享

所有时间步共享同一组可训练参数，降低训练难度，提高泛化能力。

章节 04

实验验证：QRU在多任务中的性能表现

振荡预测任务

QRU以72参数实现与197参数经典GRU相当精度，参数削减率63.5%。

乳腺癌分类任务

QRU用35参数达到96.13%准确率，参数量仅为经典ANN的21%（削减78.7%）。

MNIST识别任务

QRU以132参数实现98.05%准确率（超越经典CNN），参数削减率99.5%。

章节 05

硬件验证：真实NISQ设备上的可行性与误差处理

在IBM Quantum的ibm_marrakesh设备验证，采用可观测目标校准(OTC)噪声注入训练，应用QESEM误差缓解技术，测量结果偏差控制在理想状态矢量的0.3%范围内。

章节 06

技术实现：软件栈与代码结构

软件栈：PennyLane量子模拟框架、JAX自动微分、Qiskit硬件接口。 代码结构：含振荡预测、乳腺癌分类、MNIST识别、硬件验证等实验目录及补充实验。 消融研究：验证C-SWAP门必要性、双基态测量优势及特征排序影响。

章节 07

意义与展望：QRU对量子机器学习的启示

证明NISQ约束下实用量子神经网络的可行性，为架构设计提供范式。
展示量子计算在参数效率上的优势，为边缘部署、联邦学习等场景提供潜力。
为混合量子-经典架构开辟新方向，未来可扩展到Transformer等复杂架构。