QKAN: kwantowe sieci Kolmogorova-Arnolda z zastosowaniami w uczeniu maszynowym i przygotowywaniu stanów wielowymiarowych

Kwantowe mózgi dla złożonych wzorców

Wiele z najtrudniejszych współczesnych problemów — od zrozumienia egzotycznych materiałów po analizę danych o wysokiej wymiarowości — obejmuje wzorce trudne do uchwycenia za pomocą zwykłych komputerów i sieci neuronowych. W artykule wprowadzono nowy rodzaj „kwantowego mózgu”, nazwany Kwantową Siecią Kolmogorova‑Arnolda (QKAN), zaprojektowany do działania na przyszłych kwantowych komputerach odpornych na błędy. QKAN ma na celu przetwarzanie rozległych zbiorów danych kwantowych, a także konstrukcję złożonych stanów kwantowych bardziej efektywnie niż metody klasyczne, co potencjalnie otwiera nowe drogi dla kwantowego uczenia maszynowego i symulacji kwantowych.

Od klasycznego pomysłu matematycznego do architektury kwantowej

Praca opiera się na wglądzie matematycznym znanym jako reprezentacja Kolmogorova‑Arnolda: w zasadzie każdą gładką funkcję wielu zmiennych można złożyć z prostych jednowymiarowych składników i sum. Niedawne „Sieci Kolmogorova‑Arnolda” (KAN) adaptują ten pomysł do klasycznego projektu sieci neuronowej, łącząc wiele prostych jednowymiarowych funkcji aktywacji zamiast polegać głównie na mnożeniach macierzy. KAN-y wykazały obiecujące wyniki w problemach naukowych, gdzie podstawowe formuły mają strukturalny i interpretowalny charakter. Autorzy biorą ten konceptualny plan i pytają: czy można skonstruować wersję czysto kwantową, która funkcjonuje natywnie w języku obwodów kwantowych?

Przekształcanie kwantowych macierzy w neurony

W QKAN podstawowymi nośnikami informacji nie są zwykłe liczby, lecz wartości własne specjalnych kwantowych macierzy. Macierze te są przechowywane w ramach większych operacji unarnych przy użyciu standardowego triku zwanego block‑encoding. Potężna technika znana jako kwantowa transformacja wartości osobliwych pozwala obwodowi stosować dopasowane wielomiany do tych wartości własnych, pełniąc w praktyce rolę funkcji aktywacji w sieci neuronowej. Organizując te operacje w jednej lub kilku „warstwach”, QKAN może jednocześnie działać na wykładniczo dużej przestrzeni wejść — coś, czego sieci klasyczne nie mogą zrobić przy porównywalnych zasobach, gdy same wejścia są kwantowe.

Szeroka, lecz płytka sieć kwantowa

Autorzy pokazują, że QKAN naturalnie realizuje architekturę „szeroką i płytką”. Jeśli urządzenie kwantowe potrafi efektywnie block‑enkodować N‑wymiarowe wejście — na przykład stan kwantowy przygotowany przez inny algorytm lub Hamiltonian opisujący układ fizyczny — to warstwa QKAN może zaimplementować niezwykle szerokie transformacje z jedynie poli‑logarytmicznym narzutem względem N. Stosowanie wielu takich warstw jest kosztowne, ponieważ głębokość obwodu rośnie w przybliżeniu wykładniczo wraz z liczbą warstw, a małe błędy się kumulują. W rezultacie QKAN najlepiej sprawdza się przy niewielkiej liczbie warstw, wymieniając głębokość na ekstremalny równoległy rozmiar w szerokości. Artykuł analizuje, jak parametryzować te sieci za pomocą obwodów kwantowych, jak trenować je przy użyciu strategii opartych na gradiencie oraz jak efektywnie odczytywać niskowymiarowe wyniki.

Przygotowywanie stanów kwantowych jako przykład zastosowania

Ponad zadaniami uczenia, ta sama konstrukcja pełni również rolę narzędzia do przygotowywania złożonych stanów kwantowych. Autorzy koncentrują się na rodzinie ważnych przykładów: wielowymiarowych rozkładów Gaussa rozłożonych na regularnej siatce punktów. Projektują dwuwarstwowy QKAN, który najpierw oblicza kwadrat odległości każdego punktu siatki od początku układu za pomocą prostych przekształceń wielomianowych, a następnie stosuje starannie dobraną aproksymację wielomianową imitującą wykładniczy spadek Gaussa. Gdy block‑enkodowane przekształcenie zostanie zastosowane do jednorodnej superpozycji i wzmocnione, rezultatem jest stan kwantowy, którego amplitudy ściśle odzwierciedlają wielowymiarowy profil Gaussa. Analiza podaje jawne ograniczenia dotyczące liczby bramek kwantowych i dodatkowych kubitów wymaganych do realizacji.

Możliwości i ograniczenia dla kwantowego uczenia

Dla niespecjalisty kluczowy wniosek jest taki, że QKAN oferuje nowy, ustrukturyzowany język dla algorytmów kwantowych, łączący idee z interpretowalnych sieci neuronowych z zaawansowanymi narzędziami kwantowej algebry liniowej. W zasadzie potrafi obliczać skomplikowane funkcje danych kwantowych i składać wielowymiarowe rozkłady prawdopodobieństwa przy mniejszej liczbie kroków niż znane metody klasyczne, pod warunkiem dostępności odpowiednich aproksymacji wielomianowych i efektywnych block‑encodingów. Równocześnie QKAN nie jest uniwersalnym rozwiązaniem do wklejenia: jego głębokość musi pozostać niewielka, wydajność zależy od dobrych baz wielomianowych, a także dziedziczy otwarte pytania z klasycznych KAN‑ów o to, kiedy taka architektura rzeczywiście przewyższa alternatywy. Mimo to QKAN poszerza zestaw narzędzi dla kwantowego uczenia maszynowego i przygotowywania stanów, wskazując na modele kwantowe, które są zarówno potężne, jak i strukturalnie przejrzyste.

Cytowanie: Ivashkov, P., Huang, PW., Koor, K. et al. QKAN: quantum Kolmogorov-Arnold networks with applications in machine learning and multivariate state preparation. npj Quantum Inf 12, 73 (2026). https://doi.org/10.1038/s41534-026-01202-5

Słowa kluczowe: kwantowe uczenie maszynowe, sieci Kolmogorova-Arnolda, kwantowe sieci neuronowe, przygotowywanie stanów kwantowych, kwantowa transformacja wartości osobliwych