CMG 门控机制显著提升量子动力学预测准确率
Kuo-Chung Peng · hf · 2026-08-11
针对量子及量子启发式序列学习在处理长上下文时成本过高的问题，研究团队提出了基于自调制的 QKAN 快速权重编程器（FWPs）。
传统架构的标量门控会强制所有参数共享同一记忆时间尺度。为此，该研究引入了互补矩阵门控（CMG）机制：利用一个 sigmoid 矩阵门保留旧状态，并用其互补矩阵写入新提案，从而实现坐标级的记忆控制，同时保持有界凸更新和仿射前缀扫描结构。
实验表明，在 Jaynes-Cummings 和 transmon-resonator 动力学的多步预测任务中，CMG 模型在 4、8 和 16 步的预测视野内均将均方误差（MSE）维持在 0.001 或更低的水平，相比标量门控基线提升了至少 91.2%。
「研究」频道最新
- MIT 科技评论探讨 LLM 下一代演进：挑战 Transformer 架构的新势力 — volokuleshov · 2026-08-11
- Thrive 研究员分享前沿上下文工程与模型可解释性探讨 — thesephist · 2026-08-11
- 学者吐槽：LLM 正在无情拆解社科实证论文的「数据垃圾」 — RexDouglass · 2026-08-11
- CVPR 2026 论文 EgoX：单张第三人称视频生成第一人称视角 — rsasaki0109 · 2026-08-11
- 实测GPT-Pro：仅需4美元即可端到端形式化验证学术论文 — RexDouglass · 2026-08-11
- 西安交大提出 QQWorld：大幅提升世界模型规划成功率 — 机器之心 · 2026-08-11