深度学习周报（6.22~6.28）
目录
摘要
Abstract
1 《Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers》
1.1 研究背景
1.2 方法
1.3 创新点
1.4 实验结果及总结
2 总结
摘要
本周主要阅读了《Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers》这篇文献，学习了解了分布式的量子神经网络结构、模块化的电路设计和阻尼振子实验等。
Abstract
This week, I mainly read the paper titled"Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers", learning about distributed quantum neural network architectures, modular circuit design, and damped oscillator experiments, among other topics.
1 《Toward Large-Scale Distributed Quantum Long Short-Term Memory with Modular Quantum Computers》
1.1 研究背景
这篇论文的背景主要围绕 VQC/QLSTM 很有表达能力，但受限于硬件规模，无法扩展到大规模序列建模任务这个核心问题展开，主要表现为两部分。
一是序列建模的挑战。传统序列模型主要依赖 RNN 与 LSTM，但它们存在长序列依赖难以建模（梯度消失/爆炸）、计算复杂度随序列长度增长等问题，在复杂动力系统（如混沌系统）中表现有限。
二是随着 NISQ 设备发展，量子叠加与纠缠可能提升复杂函数拟合能力，并开始用于分类、生成模型、强化学习等任务，逐渐成为主流方法，但 NISQ 噪声严重，难以扩展到大模型。
1.2 方法
本文提出的核心方法是分布式量子 LSTM（Distributed Quantum LSTM），主要在经典 LSTM 的基础上做了以下几点变动。
首先，将经典 LSTM 的线性层替换为了 VQC，这一部分方法和之前那个卷积的差不多，就是替换的东西不一样，其中 VQC 先将输入进行编码，再进行量子变换，最后测量输出。
其次，是分布式量子架构，这也是最核心的部分。由于单个 VQC 的维度太大，容易导致电路深度爆炸，故论文将输入进行拆分，每一块输入都输入到一个在独立 QPU 上运行的小 VQC，最后再将输出结果进行融合。
对于训练，则采用经典加量子混合训练。
1.3 创新点
根据研究方法，可总结出它的创新点在以下几个方面。
第一，首次提出分布式量子 LSTM 结构；
第二，进行了模块化量子电路设计，由多个小 VQC 模块拼接而成，在降低电路深度的同时可以适配 NISQ；
第三，提出了多 QPU 并行架构。
1.4 实验结果及总结
论文主要做了两个任务。
第一个是阻尼振子，判断模型能不能学习连续的物理动态。发现普通的quantum LSTM 效果和收敛速度不稳定，而分布式 QLSTM 训练稳定、收敛快、同时预测很准。
第二个是NARMA序列，判断模型能不能学习长记忆与非线性复杂系统。发现单个量子 LSTM 表现波动很大，不稳定，而分布式 QLSTM 表现中等但稳定，不容易崩。
2 总结
本周主要看了一篇论文，都得也不算深入，感觉主要收获有两点，一是模块化的量子电路，二是实验部分的两个新实验，感觉后续可以学习一下。另外由于这两周期末周，各种考试所以复现一直耽误，希望下周不要再立flag了。
