近日，中国海洋大学信息科学与工程系教授顾永建团队在国际计算机与人工智能顶级期刊《模式分析与机器智能汇报》上发布了量子门控循环神经网络探索的最新成果。

作为世界科学技术竞争的前沿领域，量子计算近年来备受关注。近年来探索含噪声中等规模量子。(NISQ)计算机优势应用是目前的重要研究方向之一。量子计算可以为人工智能提供指数级加速。作为量子计算和人工智能交叉领域的研究热点，量子神经网络不仅是探索NISQ计算机优势应用的主要方向之一，也是推动人工智能技术发展的重要手段。

与传统经典模型相比，量子神经网络在理论和应用上具有优势，对于加快量子计算和人工智能的实际应用具有重要意义。

“高原贫乏现象”是量子神经网络面临的主要挑战之一。这种现象是指当量子神经网络规模增大时，其损失函数的梯度可能在参数空间的大部分区域接近于零，导致优化算法难以更新参数，进而陷入增加停滞状态，从而限制了量子神经网络在实际复杂问题中的扩展能力。另一方面，经典的深度神经网络也面临着梯度消失和梯度爆炸的类似挑战，尤其是在循环神经网络处理长序列数据时，模型很难捕捉长序列中的远程依赖关系，导致“长期依赖”问题。

针对这些挑战，该团队提出了量子神经网络模型-量子门控循环神经网络的全新结构。(QGRNN)。该模型结合了变量量子算法和经典循环网络的优点，构建了包含门控系统在理论和实际应用方面取得重要进展的量子循环神经网络架构。

具体来说，基于量子神经网络结构的特点，团队利用参数化量子线路完成了类似经典门控单元的功能机制，确保QGRNN兼顾了高效的学习性能和硬件可操作性。同时，基于量子线的演变，研究小组严格证明了QGRNN远程导出密度矩阵之间的雅可比矩阵范数与时间长度无关，从根本上解决了经典循环神经网络的长期依赖问题。此外，通过参数移动定律，进一步证明QGRNN不会发生梯度爆炸。

为了克服量子神经网络中的“高原贫困”，研究小组巧妙地利用QGRNN的门控循环模块结构特征和参数共享机制，增强量子拟设线的结构特征和参数相关性，有效打破条件，避免梯度消失。研究小组通过大量数值实验验证了QGRNN的性能优势，包括长序列标准问题检测、基因控制网络动力预测、股市价格预测等多个应用领域。

结果表明，QGRNN在处理长序列数据和复杂动力学问题时，表现出显著的性能优势和广泛的应用潜力。

该研究获得了山东省自然科学基金重大基础研究项目“量子深度神经网络及其应用强化抗噪声研究”和国家自然科学基金青年项目的资助。