⚛️ 量子物理

Spectral Quantum Memory for Implicit Neural Representations

本文介绍了谱量子记忆模型（SQMM），这是一种新颖的量子隐式神经表示架构，它利用共享的相干量子记忆寄存器来实现序列化混合数据重上传层，使这些层能够基于彼此的谱计算进行构建，从而在音频和图像基准测试中提升重建性能，并为谱容量分配提供了一个理论框架。

原作者： Daniel A. Moroz-Broitman, Eliya Nachmani

发布于 2026-11-04

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Daniel A. Moroz-Broitman, Eliya Nachmani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，仅用一个数学公式来描述一段复杂的音频或一张细节丰富的照片。几十年来，科学家们一直使用一种被称为“隐式神经表示”的技术来做到这一点，将信号视为可以在任何点进行查询的连续函数，而不是像素网格或采样列表。挑战在于，这些数学模型难以同时捕捉场景的宽阔、平滑轮廓以及微小、锐利的细节。它们往往倾向于先学习容易的低频部分，而经常错过高频细节，例如建筑物的清晰边缘或声音中细微的碎裂声。为了解决这个问题，研究人员转向了量子计算，希望量子比特的独特属性能够自然地处理这些不同的频率。然而，早期的量子模型尝试将每个频带视为独立的、隔离的工作单元，彼此之间无法就已学到的内容进行交流。

来自本·古里安大学的一个研究小组引入了一种名为“谱量子记忆模型”（Spectral Quantum Memory Model）的新方法，它改变了这些量子系统沟通的方式。该方法不再让模型的每个部分孤立工作，而是构建了一个共享的量子记忆，作为不同频带之间的桥梁。你可以把它想象成一场接力赛，跑者们不仅传递接力棒，还会分享一份关于他们刚刚跑过的赛道的笔记，让下一位跑者能够根据前人的经验调整策略。在这个新系统中，模型的第一个部分分析信号，并将发现的摘要写入共享的量子记忆中。下一个部分读取该摘要，加入自己的分析，然后将更新后的版本写回。这个过程不断重复，每一阶段都在前一阶段收集到的谱信息基础上进行构建，从而形成一条连贯的理解链，而非一系列零散的猜测。

研究人员在数学上证明了这种方法不会产生随机、混沌的频率。相反，流经记忆的信息保持着有序性，最终输出是各阶段引入的频率的精确组合。为了确保记忆确实发挥了作用，他们添加了一条特殊的训练规则，鼓励记忆准确反映迄今为止处理过的信号的光谱。当他们在重建音频（如大提琴录音）和图像（从简单的卡通到复杂的照片）时测试该模型，结果令人瞩目。在模拟实验中，这种新模型在参数量相近的情况下，始终比标准的经典模型和之前的量子尝试产生更清晰、更准确的重建效果。

这项工作表明，使量子模型在这些任务中发挥效力的关键不仅在于单个量子电路，还在于它们如何共享信息。通过在模型的不同阶段保持相干的量子态，系统可以使其后期的计算基于前期的谱内容。研究人员在能够模拟量子硬件的强大计算机模拟器上运行了这些实验，因为他们尚未在实际的量子设备上运行该模型。虽然模拟显示了在音频和图像重建方面准确性的显著提升，但团队也承认，现实世界的量子硬件面临着噪声和高昂测量成本的挑战。尽管如此，这项研究提供了一条清晰的前行路径，证明了共享量子记忆能以孤立量子块无法实现的方式组织复杂的谱信息，为我们周围世界的高效、紧凑的量子表示提供了一个充满前景的新方向。

技术摘要：用于隐式神经表示的谱量子记忆（Spectral Quantum Memory）

问题陈述
隐式神经表示（Implicit Neural Representations, INRs）将信号建模为从坐标到值的连续函数，从而实现图像、音频和物理场的紧凑表示。然而，其性能受到“谱偏差”（spectral bias）的制约，即标准网络倾向于先学习低频结构，再学习高频细节。虽然已经提出了各种经典和量子 INR（QINR）架构（例如傅里叶特征、周期性激活、数据重上传电路）来管理谱容量，但现有的 QINR 模型通常将谱成分视为不同量子模块（频带）的独立输出。在这些架构中，频带之间的信息仅通过经典解码器传递，这阻碍了早期频带以相干方式影响后续频带谱计算的可能性。

方法论：谱量子记忆模型（SQMM）
作者引入了 SQMM，这是一种记忆耦合的 QINR 架构，旨在跨顺序数据重上传频带传播相干谱上下文。

架构： SQMM 由 $n$ $n$ 个顺序的混合量子-经典频带组成。与以往各频带独立运行的模型不同，SQMM 利用了一个共享的、未测量的量子记忆寄存器（ $M$ $M$ ），该寄存器包含 $m$ $m$ 个量子比特，并在各频带之间传递。
- 数据流： 对于坐标 $x$ ，记忆通过一次性上传 $\gamma_M(x)$ 进行初始化。每个频带 $i$ 读取当前的记忆状态 $\sigma^{(i-1)}_M(x)$ ，通过变分量子电路处理其自身的坐标上传 $\gamma_i(x)$ ，并将部分局部状态写回记忆寄存器，随后丢弃其局部数据量子比特。
- 读取： 每个频带发射泡利期望值作为经典特征，这些特征被拼接并传递给经典解码器。至关重要的是，在推理过程中，记忆状态本身从不被测量；它仅作为频带之间相干谱信息的载体。
谱理论： 文中提供了理论分析，证明 SQMM 保留了数据重上传电路固有的有限傅里叶结构。
- 算子值傅里叶级数： 研究表明，记忆状态形成了一个算子值傅里叶级数。在第 $i$ 个频带之后，记忆状态中的频率支撑集包含在初始记忆谱与所有先前频带的局部谱的闵可夫斯基和（Minkowski sum）之内（ $\Omega^{(i)}_{M,x} \subseteq \Omega^{(0)}_{M,x} + \sum_{j=1}^i \Omega^{loc}_{j,x}$ ）。
- 无新增原始频率： 记忆耦合不会引入任意新的原始频率。相反，它允许下游频带根据先前频带存储的谱内容（算子值摘要）来调节其傅里叶系数。
训练目标： 为了确保记忆能够有效地进行总结，作者提出了一种谱记忆对齐损失（Spectral Memory Alignment Loss）。该辅助损失将估计的记忆状态谱与先前频带所发射特征的累积谱（即“前缀”）进行比较。对前缀特征应用梯度截断（stop-gradient），从而训练记忆使其与部署的模型前缀的谱占用情况保持一致。

核心贡献

架构： 引入了 SQMM，这是首个通过在顺序数据重上传频带间共享一个量子寄存器来传播相干谱上下文的记忆耦合 QINR。
理论证明： 证明了输入无关的记忆读/写操作保留了数据重上传电路的有限傅里元结构。记忆状态保持为一个算子值傅里叶级数，其支撑集严格受限于频带谱的闵可夫斯基和。
训练机制： 开发了谱记忆对齐损失，使记忆能够作为模型前缀的可读谱摘要进行训练，从而促进下游频带的系数分配。
经验性能： 证明了在严格的参数预算下，SQMM 在音频和图像重建任务上的表现优于紧凑的经典 INR 基准模型（如 SIREN、FINER、MSA-INR）以及现有的 QINR 基准模型（QIREN、QVF）。

实验结果
作者使用混合态模拟器（PennyLane/PyTorch）在音频和图像重建基准测试中评估了 SQMM。

音频： 在单信号重建（巴赫大提琴选段）和数据集级重建（GTZAN、UrbanSound8K、VCTK）方面，SQMM 在所有对比模型（包括强大的自适应经典基准 FINER）中实现了最低的均方误差（MSE）和对数谱距离（LSD）。
图像： 在灰度 CIFAR10 和更大尺寸图像（Kodak、DIV2K）上，SQMM 在 MSE、PSNR、SSIM 和 LPIPS 指标上均优于经典和量子基准模型。值得注意的是，它在参数量比竞争对手 Ne-RF 少 1.54 倍的情况下取得了更好的结果。
消融实验： 机理消融实验证实，与“无记忆”对照组（其中频带拥有局部量子比特但没有共享状态）相比，共享记忆显著提升了重建效果。此外，谱对齐损失（ $L_{align}$ ）比单纯监督最终输出谱的效果更好，验证了将内部记忆状态与前缀谱进行对齐的实用性。

意义与主张
本文声称 SQMM 确立了**谱记忆（spectral memory）**作为紧凑型量子 INR 的一种实用设计原则。通过将记忆视为可训练的谱接口而非不透明的隐藏状态，该模型允许后续频带重用并重新加权先前频带的谱内容，而无需独立重新学习。

作者将这项工作定位为一种组织量子隐式表示中谱计算的方法，该方法有望扩展到更高维度的信号、随时间变化的表示以及物理场。他们明确指出，这项工作并不声称具备量子计算或硬件优势；相反，它证明了相干谱记忆是提高紧凑型量子模型表示能力的有用机制，目前主要的限制在于模拟成本和硬件测量开销。

技术摘要：用于隐式神经表示的谱量子记忆（Spectral Quantum Memory）

类似论文