目录摘要Abstract1 《Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers》1.1 研究背景1.2 方法1.3 创新点1.4 实验结果及总结2 总结摘要本周主要阅读了《Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers》这篇文献学习了解了分布式的量子神经网络结构、模块化的电路设计和阻尼振子实验等。AbstractThis week, I mainly read the paper titledToward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers, learning about distributed quantum neural network architectures, modular circuit design, and damped oscillator experiments, among other topics.1 《Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers》1.1 研究背景这篇论文的背景主要围绕 VQC/QLSTM 很有表达能力但受限于硬件规模无法扩展到大规模序列建模任务这个核心问题展开主要表现为两部分。一是序列建模的挑战。传统序列模型主要依赖 RNN 与 LSTM但它们存在长序列依赖难以建模梯度消失/爆炸、计算复杂度随序列长度增长等问题在复杂动力系统如混沌系统中表现有限。二是随着 NISQ 设备发展量子叠加与纠缠可能提升复杂函数拟合能力并开始用于分类、生成模型、强化学习等任务逐渐成为主流方法但 NISQ 噪声严重难以扩展到大模型。1.2 方法本文提出的核心方法是分布式量子 LSTMDistributed Quantum LSTM主要在经典 LSTM 的基础上做了以下几点变动。首先将经典 LSTM 的线性层替换为了 VQC这一部分方法和之前那个卷积的差不多就是替换的东西不一样其中 VQC 先将输入进行编码再进行量子变换最后测量输出。其次是分布式量子架构这也是最核心的部分。由于单个 VQC 的维度太大容易导致电路深度爆炸故论文将输入进行拆分每一块输入都输入到一个在独立 QPU 上运行的小 VQC最后再将输出结果进行融合。对于训练则采用经典加量子混合训练。1.3 创新点根据研究方法可总结出它的创新点在以下几个方面。第一首次提出分布式量子 LSTM 结构第二进行了模块化量子电路设计由多个小 VQC 模块拼接而成在降低电路深度的同时可以适配 NISQ第三提出了多 QPU 并行架构。1.4 实验结果及总结论文主要做了两个任务。第一个是阻尼振子判断模型能不能学习连续的物理动态。发现普通的quantum LSTM 效果和收敛速度不稳定而分布式 QLSTM 训练稳定、收敛快、同时预测很准。第二个是NARMA序列判断模型能不能学习长记忆与非线性复杂系统。发现单个量子 LSTM 表现波动很大不稳定而分布式 QLSTM 表现中等但稳定不容易崩。2 总结本周主要看了一篇论文都得也不算深入感觉主要收获有两点一是模块化的量子电路二是实验部分的两个新实验感觉后续可以学习一下。另外由于这两周期末周各种考试所以复现一直耽误希望下周不要再立flag了。