量子门控递归神经网络

梯度恒久不消失

将门控机制融入变分量子线路，解决递归网络长程依赖下的梯度消失问题，适用于近期量子设备的高效序列学习。

Li Y.N. · Wang, Zhimin · Ruipeng, Xing · Shao, Changheng · Shi, Shangshang · Li, Jiaxin · 仲国强 · 顾永建

IEEE Transactions on Pattern Analysis and Machine Intelligence 2024

技术优势

梯度不消失

QGRNN 在理论上证明能够保持长程交互的梯度范数，从而有效学习长期依赖。

缓解贫瘠高原

QGRNN 的架构特征能够有效抑制贫瘠高原现象，使训练过程更稳定。

硬件高效

该模型将门控机制自然集成到变分拟设线路中，适合在近期量子设备上执行。

应用场景

• 时序预测：用于长程时序预测，解决梯度消失问题，提升预测精度。
• 基因调控网络：学习基因调控网络中的长程依赖，捕获复杂调控关系。
• 金融预测：预测股票价格等长期金融序列，避免梯度问题影响准确性。