通用量子Transformer
提出一种名为通用量子Transformer（UQT）的量子计算架构，利用多量子比特系统的物理特性实现精确数学推理，在5量子比特上完美学习模运算与非交换代数，超越经典网络。
来自arXiv:2606.00045的最新论文介绍了通用量子Transformer（UQT），这是一种全新的量子原生计算架构。与经典连续空间神经网络依赖大量参数来近似离散对称不同，UQT直接利用多量子比特系统的物理性质作为归纳偏置，实现精确的数学和代数推理。该架构完全基于参数化几何相位嵌入和SU(2)波干涉，而非翻译经典神经网络机制。研究人员展示了量子注意力电路在仅5个量子比特的紧凑基底上，完美学习了两类高度不同的形式类：循环模算术（Z11）和非阿贝尔代数（S4置换群）。经典注意力网络在收敛时表现出随机不稳定性，而UQT实现了数学上精确的确定性泛化，作者将这一现象称为'结晶化'，超越了著名的'顿悟'（grokking）现象。关键的是，该框架理论绕过了经典自注意力的二次瓶颈，并将所需表征维度对数压缩，消除了经典网络固有的过度参数化。最后，研究团队在噪声中等规模量子（NISQ）硬件上部署了该架构，证明了其在当前IBM量子计算机上的可行性。这些结果确立了参数化量子拓扑作为精确人工智能的普遍优越物理基底。