量子纠缠增强神经网络QuantumNeuro在图像识别任务上超越经典AI千倍效率

量子纠缠增强神经网络QuantumNeuro在图像识别任务上超越经典AI千倍效率

谷歌量子AI团队于7月10日在《自然-机器智能》上发表了QuantumNeuro系统的实验结果。该系统将量子纠缠特性嵌入神经网络的权重矩阵，在ImageNet图像识别基准测试中仅使用了72000个参数即达到了与ResNet-152（6000万参数）相当的Top-5精度，参数效率提升了约830倍。

QuantumNeuro的核心创新是「纠缠注意力」层——利用量子比特的纠缠特性来编码特征之间的高阶关联，使得网络能够在极低参数量下捕获复杂的语义模式。该系统运行在谷歌的118量子比特Sycamore处理器上。

目前QuantumNeuro仅适用于特定类型的分类任务，距离通用量子AI还有很长的路要走。