مدلی برای پیوند دادن لایه‌های طیفی در بازنمایی‌های عصبی کوانتومی

بازنمایی‌های عصبی ضمنی (INR) سیگنال‌ها را به‌صورت تابعی پیوسته از مختصات به مقادیر مدل می‌کنند، اما عملکردشان به نحوهٔ تخصیص ظرفیت طیفی وابسته است. به‌گفتهٔ نویسندگان پیش‌چاپ، بیشتر معماری‌های بازنمایی عصبی کوانتومی (QINR) مؤلفه‌های طیفی را خروجی‌های مستقل بلوک‌های کوانتومی جداگانه در نظر می‌گیرند.

مدل «حافظهٔ کوانتومی طیفی» (SQMM) این اجزا را با یک ثبات حافظهٔ کوانتومیِ همدوس به هم متصل می‌کند. در این معماری، لایه‌های متوالیِ بازبارگذاری دادهٔ ترکیبی—که «باند» نامیده می‌شوند—حافظه را می‌خوانند، مختصات ورودی خود را پردازش می‌کنند و بخشی از وضعیتشان را دوباره در حافظه می‌نویسند؛ در نتیجه، باندهای بعدی می‌توانند بر محاسبات باندهای قبلی تکیه کنند. چکیده می‌گوید نویسندگان در حالتی که لایه‌های خواندن و نوشتن حافظه مستقل از ورودی باشند، ویژگی‌ای از مدل را اثبات می‌کنند؛ اما متن در دسترس پیش‌چاپ پیش از بیان نتیجهٔ دقیق این اثبات قطع می‌شود.