Quantum-JEPA：用条件量子 Born 先验学习 JEPA 世界模型
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 Quantum-JEPA，在潜在动作 JEPA 框架中用条件量子 Born 先验学习未来表征的分布：电路测量产生二值潜在动作，共享预测器将其映射为多种未来表征，量子先验通过采样能量目标、依据预测质量与多样性训练。模型在构造的多模态任务上学会不同延续，并捕捉支持多智能体协同未来的潜在动作相关性；在 D3IL 基准上，可从同一初始点生成多条避障路线。作者称经典与量子先验实现在受控任务上优于所评估的变分基线，量子先验以更省参数的采样结构避免指数级分类输出层，并验证了有限采样参数偏移训练、含读出噪声训练，以及在真实 QPU 上推理的可行性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法：量子先验如何接入
Quantum-JEPA 建立在潜在动作 JEPA 框架之上，核心改动是用条件量子 Born 先验来刻画未来表征的分布。具体做法是：由量子电路测量产生二值潜在动作，再由一个共享预测器把这些潜在动作映射为不同的未来表征。训练信号来自对这些预测的质量与多样性的评估，采用采样能量目标来优化量子先验。这样做的目的是让模型不是只给出单一未来，而是覆盖同一观测下多种合理的后续走向。
任务表现与对比
在构造的多模态任务上，模型学会了彼此不同的延续，并捕捉到潜在动作之间的相关性，这种相关性可支撑多智能体协同的未来。在 D3IL 这一包含多样人类演示的基准上，训练后的模型能在没有观测到运动的情况下，从同一初始点生成多条穿越障碍的路线。作者称，在受控任务上，经典与量子两种先验实现相比所评估的变分基线，在预测有效性与分布保真度上都有改善。
参数效率与硬件验证
论文强调量子先验的采样结构在参数上更省：它避开了指数规模的分类型输出层，同时仍能表达相关的潜在动作。训练层面，作者验证了有限采样条件下的参数偏移训练，并覆盖了带读出噪声的训练情形。与多数停留在仿真阶段的工作不同，该研究还在真实 QPU 上检验了训练后先验的推理可行性。作者将上述结果定位为 JEPA 未来预测中一个可训练的量子组件，以及在大规模上探索量子增强世界模型的基础。
为什么值得看
把可训练的量子采样组件接入 JEPA 世界模型，并在真实 QPU 上验证推理，为量子增强世界模型提供可复现的技术路径。
多模态智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。