quantum-inspired

TT-Net为条件生成对抗网络引入了一种量子启发的张量网络去噪模块，能够访问跨通道信息，在不同类型的噪声上，在PSNR和SSIM指标上优于SVD-Net和其他方法。

本文提出Q-Interference，一种用于GPT模型的内存高效量子启发注意力机制，该机制使用相位感知评分和精确三角因式分解，以改善令牌交互而不增加内存开销。

本文探讨在序列模型中使用受量子理论启发的复数状态，表明它可以在 Mamba 和基于注意力的模型中减少优化步骤，并提高样本效率。

本文介绍了一种用于隐私保护联邦 ECG 数据学习的混合量子启发式 Kolmogorov-Arnold 网络，与传统 MLP 相比，在减少参数和通信成本的同时，提高了分类指标。

Introduces Quantum-Structured World Models (QSWMs), a quantum-inspired framework for predictive world modeling with structured latent states, and evaluates them on elementary cellular automata against classical baselines.

提出了一种基于混合专家模型的量子启发式经典-量子混合框架用于图像分类，在MNIST和Fashion-MNIST数据集上展示了性能提升和错误率降低。

本文介绍了一种张量网络模型，用于捕捉情绪效价对儿童识别记忆顺序依赖结构的影响，达到了77.98%的准确率，展示了量子启发方法在建模认知现象中的价值。

本文提出了量子启发式循环模型（QKAN-FWPs）用于流量矩阵预测，与LSTM基线相比，以更少的参数显示出优越的准确性。

本文介绍了一种量子启发式方法EP-HUBO，它将链式思维推理中的证据选择视为组合优化问题，通过允许少数但正确的假设覆盖嘈杂的多数，在MMLU-Pro法律和LEXam等法律推理基准测试中显著提升了性能。

一篇研究论文，提出了一种用于太阳能和风能预测的四阶段混合框架，利用量子启发变分核进行残差修正，并利用生成式人工智能层实现可解释性。

本文提出了 Gated QKAN-FWP，这是一个可扩展的量子启发序列学习框架，它通过单量子比特数据重新加载电路，将快速权重程序员（Fast Weight Programmers）与柯尔莫哥洛夫-阿诺德网络（Kolmogorov-Arnold Networks）相结合。