SQMM：以共享量子记忆寄存器连接量子INR频段
论文AI 评分 62/100arXiv 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。
一篇被 NeurIPS 2026 量子物理方向接收的论文提出 Spectral Quantum Memory Model（SQMM），用于隐式神经表示（INR）。现有量子 INR（QINR）架构大多把各频谱分量当作独立量子模块的输出，SQMM 则让多个串行的混合数据重上传层（band）通过一个共享的相干量子记忆寄存器交换信息：每个 band 读取记忆、在自身坐标上传上计算，再写回部分状态，供后续 band 在此基础上继续计算。作者证明，当记忆读写层与输入无关时，记忆状态构成一个算子值傅里叶级数，其支撑集落在初始记忆频谱与各 band 局部频谱的闵可夫斯基和之内，且记忆耦合不会产生新的基频。据此提出频谱记忆对齐损失，在音频与图像重建基准上优于紧凑 QINR 与 INR 基线。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载共享量子记忆的连接方式
SQMM 针对的是隐式神经表示中频谱容量如何分配的问题。此前的量子 INR 架构通常把不同频谱分量交给彼此独立的量子模块分别输出，层与层之间缺少频谱层面的信息传递。SQMM 的做法是在模型中引入一个共享的相干量子记忆寄存器，让多个串行的混合数据重上传层依次与之交互。每个层先从记忆中读取内容，再结合自身的坐标上传完成计算，最后把自身状态的一部分写回记忆。这样，靠后的层就能在前序层已完成计算的基础上继续推进，而不是各自独立地产生输出。
频域性质与对齐损失
论文给出了一个理论结果：当记忆的读取层和写入层与输入无关时，记忆状态会形成一个算子值傅里叶级数，其频谱支撑集被限制在初始记忆频谱与各层局部频谱的闵可夫斯基和范围内。这意味着后续层是在前序层所存频谱内容的基础上确定自己的傅里叶系数，而记忆耦合本身不会带来新的基频。基于这一性质，作者设计了频谱记忆对齐损失，用来促使记忆编码模型已部署前缀所表达的频谱。
实验与发表情况
在音频和图像重建两类基准上，SQMM 的表现优于紧凑型 QINR 与 INR 基线。论文由 Daniel A. Moroz-Broitman 与 Eliya Nachmani 完成，被 NeurIPS 2026 量子物理方向接收，同时归入人工智能与机器学习分类，编号为 arXiv:2611.04574。材料未披露具体参数量、数据集名称与提升幅度等细节。
为什么值得看
把量子 INR 的频谱分配从独立模块改为跨层共享记忆，并给出频域可证性质，对关注量子机器学习与隐式表示的研究者有参考价…
对齐论文
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。