🧬 biology

CG-QRNN: A Conditional Gated Quantum Recurrent Neural Network with Recurrent Temporal Attention

本文提出了带有循环时间注意力机制的条件门控量子循环神经网络（CG-QRNN），这是一种利用中途测量实现资源高效门控，并利用时间注意力机制捕捉长程依赖关系的新型架构，与现有方法相比，在常微分方程基准测试上实现了显著提升的性能和稳定性。

原作者： Haibin Wang, Tianjiao Li, Wenjie Liu, Qingshan Wu

发布于 2026-10-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Haibin Wang, Tianjiao Li, Wenjie Liu, Qingshan Wu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

时间并非一系列孤立的快照，而是一条流动的河流，过去不断塑造着现在。为了理解这种流动，科学家们长期以来一直依赖一种被称为循环神经网络（recurrent neural network）的计算机程序。这些程序旨在记住刚刚发生的事情，并利用这种记忆来预测接下来的发展，这使得它们在天气预报、股市分析或行星运动追踪中变得至关重要。然而，当这些程序试图记忆越来越久远之前的事件时，它们往往会失去线索，难以将遥远的时刻与当前时刻联系起来。近年来，研究人员开始探索一个新的前沿领域：量子计算。通过利用量子物理学中那些奇异且反直觉的规则，这些机器有望以经典计算机无法实现的方式处理信息。挑战在于，如何构建出既能强大到学习复杂模式，又足够高效到能在当今脆弱且实验性的量子硬件上运行的量子版记忆程序。

来自南京信息工程大学的研究团队提出了一种新的设计方案来解决这一特定问题。他们将这一创造物称为条件门控量子循环神经网络（Conditional Gated Quantum Recurrent Neural Network，简称 CG-QRNN）。他们面临的核心难点在于，以往构建量子记忆程序的尝试需要过多的物理组件，即量子比特（qubits）才能运作。在量子世界中，增加量子比特就像是在一间已经太小、难以供暖的房子里增加更多的房间；它会变得不稳定且难以管理。此外，旧的设计通常将过去视为静态的事实列表，而非动态的影响流，这使得系统很难从长时间跨度中学习。研究人员的目标是创造一个能够有效记忆过去，却无需额外硬件支持的系统。

他们的解决方案包含两个巧妙的技巧，这两个技巧在一个紧凑的单一量子电路中协同工作。第一个技巧是他们称之为“条件门控”（conditional gating）的方法。想象一位在门口值守的保安，他根据收到的信号来决定是否放行。在这个量子系统中，研究人员在一次计算的中途测量一部分计算机的状态。测量的结果充当了那个信号。如果信号显示“是”，计算机就会执行特定的操作来更新其记忆；如果显示“否”，则跳过该步骤。这使得系统可以使用相同的物理量子比特来做出关于“记住什么”或“忘记什么”的决策，而不需要一套专门用于决策的独立量子比特。这种方法节省了宝贵的空间，并保持了系统的稳定性。

第二个技巧是一种关注过去的方法，他们将其命名为“循环时间注意力”（recurrent temporal attention）。在许多计算机程序中，系统在向前推进之前只会观察最近的一段信息。而这种新设计允许系统向后追溯，观察其整个隐藏状态的历史。它会计算每个过去的时刻对当前情况有多大的相关性，就像读者快速浏览一本书，以寻找解释当前情节的最重要章节一样。该系统并没有将这些历史记录存储在一个新的、独立的记忆库中，而是重复利用了刚刚被测量并清除的那些量子比特。它将最重要的历史见解编码进这些被重复利用的量子比特中，并将其与当前状态融合。这使得系统能够在无需向机器添加哪怕一个额外量子比特的情况下，学习长程模式。

为了测试这种设计是否真的奏效，研究人员通过一系列严密的模拟测试了五种不同类型的复杂动态系统。其中包括预测波形的振动、模拟捕食者与猎物的种群波动，以及追踪刚性化学反应的行为。在每种情况下，新系统都优于现有的最佳量子模型，甚至优于一些经典模型。在预测具有长程记忆效应的分数阶洛特卡-沃尔泰拉（Lotka–Volterra）系统的行为任务中，与排名第二的模型相比，新模型将平均预测误差降低了 83.3%。在罗伯逊（Robertson）基准测试——一个困难的化学动力学问题中，误差大幅下降了 97.5%。在尝试从观测数据中识别物理参数（例如通过运动确定弹簧的刚度）时，该系统也表现出了更高的稳定性和准确性。

结果表明，这种新架构成功地平衡了复杂学习的需求与当前量子硬件的严格限制。通过使用中途测量来控制操作，并重复利用量子比特来存储历史见解，研究人员证明了构建一个既资源高效又在理解时间方面极其有效的量子记忆系统是可能的。虽然这项研究是通过在经典计算机上进行模拟来模拟量子行为的，但其发现为未来如何构建量子机器以解决需要深度理解序列和时间的问题提供了清晰的蓝图。这项工作表明，我们不必等待大规模、无误差的量子计算机出现才能开始解决复杂的序列问题；相反，通过设计更聪明、更高效的方式来利用我们现有的量子比特，我们就能取得显著的突破。

技术摘要：CG-QRNN

问题陈述

量子循环神经网络（QRNN）通过将参数化量子电路（PQC）与循环架构相结合，为序列建模提供了一种极具前景的范式。然而，现有的 QRNN 方法面临两个主要局限性：

量子资源效率低下： 当前的门控量子架构，如量子长短期记忆网络（QLSTM）和量子门控循环单元（QGRU），通常需要额外的量子资源（例如额外的量子比特或多次电路执行）来实现不同的门控机制（输入门、遗忘门、输出门）。这增加了对含噪声中型量子（NISQ）设备的开销。
长程依赖建模能力有限： 虽然经典 RNN 在处理长程依赖方面存在困难，但现有的 QRNN 主要依赖于隐藏状态的传播。尽管一些近期的轻量级变体引入了注意力机制，但这些机制通常被视为辅助组件，而非直接集成到量子循环更新过程中，从而限制了它们高效捕捉复杂时间依赖性的能力。

方法论

作者提出了带有循环时间注意力机制的条件门控量子循环神经网络（CG-QRNN）。该架构分为三个连续阶段运行：输入编码、条件门控（CG）和循环时间注意力（RTA）。

1. 条件门控 (CG) 策略

CG 模块通过实现无需引入额外量子比特的门控功能来解决资源效率挑战。

机制： 它利用**中途测量（mid-circuit measurement）**结果作为控制信号。一个参数化量子电路 $U_g(\theta_g)$ 处理当前输入与前一隐藏状态的联合状态。
条件执行： 量子比特 0 和 1 在电路中途进行测量。测量结果（ $m_i \in \{0, 1\}$ $m_{i} \in {0, 1}$ ）决定是否对存储量子比特应用特定的可训练旋转操作（ $RY(\alpha_i)$ $R Y (α_{i})$ ）。
- 如果 $m_i = 1$ ，则应用旋转。
- 如果 $m_i = 0$ ，则跳过操作（恒等变换）。
资源复用： 在条件更新之后，被测量的量子比特被重置为 $|0\rangle$ ，并由随后的 RTA 模块复用。这使得模型能够在单个量子寄存器内执行自适应状态更新，避免了专门用于门控的额外量子比特。

2. 循环时间注意力 (RTA) 机制

RTA 模块通过将历史信息直接整合到量子更新中，增强了长程依赖建模能力。

经典注意力： 一个经典的自注意力机制处理历史隐藏状态序列（ $H_{0:t-1}$ ），以生成时间表示向量（ $o_t$ ）。
量子编码： 来自 CG 阶段的重置量子比特（0 和 1）被复用于编码此时间信息。注意力输出通过线性投影和双曲正切激活映射为旋转角度，然后通过 $RY$ 旋转编码进量子比特中。
集成： 第二个参数化电路 $U_f(\theta_f)$ 共同处理编码后的时间信息（在量子比特 0 和 1 上）以及经过 CG 更新的隐藏状态（在量子比特 2 和 3 上）。这使得历史上下文能够直接影响量子电路内的当前循环更新。

3. 训练与优化

模型使用 Adam 优化器和均方误差（MSE）损失函数进行端到端训练。可训练参数包括 $U_g$ 和 $U_f$ 中的变分电路权重、条件旋转参数以及用于注意力的经典投影层。

核心贡献

资源高效的量子门控： 条件门控设计的实现，使得通过中途测量和量子比特复用实现量子门控功能成为可能，消除了实现不同门控操作通常所需的额外量子比特。
集成的时间注意力： 循环时间注意力机制通过复用重置量子比特来编码自注意力输出，在不增加量子比特数量的情况下，将历史时间信息直接纳入量子循环更新中。
实证性能： 在五个常微分方程（ODE）基准测试上的广泛实验表明，CG-QRNN 的性能优于最先进的经典和量子基准模型。

实验结果

模型在五个 ODE 基准测试上进行了评估：Bessel 函数预测、标准 Lotka–Volterra、分数阶 Lotka–Volterra、阻尼振荡器参数识别以及 Robertson 刚性化学动力学。

性能提升： 与表现最好的基准模型相比，CG-QRNN 显著降低了平均预测误差：
- Bessel： 降低了 59.1%。
- 标准 Lotka–Volterra： 降低了 69.6%。
- 分数阶 Lotka–Volterra： 降低了 83.3%。
- Robertson： 降低了 97.5%。
- 阻尼振荡器： 实现了更高的 $R^2$ 分数和更稳定的预测。
资源效率：
- 量子比特： CG-QRNN 在所有任务中均保持了紧凑的 4 量子比特配置。相比之下，QLSTM、QGRU 和 DM-QRNN 等基准模型在处理类似任务时需要 6 个量子比特。
- 执行开销： 通过利用中途测量和量子比特复用，CG-QRNN 在每个循环时间步仅需 一次电路执行。而 QLSTM 和 QGRU 等基准模型通常在每一步需要多次电路执行来实现不同的门控。
消融研究： 移除 CG 或 RTA 模块都会导致性能下降，证实了这两个组件对于模型的有效性至关重要。

意义与主张

论文声称 CG-QRNN 为 NISQ 约束下的序列预测提供了一种资源高效的解决方案。通过将条件门控和循环时间注意力集成到一个统一的 4 量子比特框架中，该模型在低量子资源消耗与高建模能力之间取得了平衡。

作者断言，他们的方法有效地解决了量子资源开销与建模长程时间依赖能力之间的权衡。结果表明，中途测量和量子比特复用是当前量子硬件上实现复杂循环逻辑的可行策略。

作者对局限性保持了适度的语气，指出目前的评估仅限于模拟动力系统，且经典自注意力组件会为非常长的序列引入计算开销，这可能会影响可扩展性。未来的工作建议探索更高效的时间提取方法和更广泛的序列建模场景。