Quantum-JEPA
一种将条件量子玻恩先验引入JEPA世界模型的架构，通过量子电路生成二值潜动作，在表征空间采样多样的未来嵌入，支持多模态预测与多智能体协调。
时间轴 (近 90 天)
Quantum-JEPA 使用条件量子玻恩先验（conditional quantum Born prior）来学习未来表征的分布，为 JEPA 引入了一个可训练的量子组件。
Quantum-JEPA 的核心设计是用量子电路生成二值潜动作（binary latent actions），测量输出的比特串被解释为潜动作，再由共享预测器映射到不同的未来表征。
Quantum-JEPA 采用采样能量目标（sampled energy objective）来优化量子先验，使生成的潜动作既能产生有效的未来预测，又能覆盖多种可能的延续。
在构造的多模态任务上，Quantum-JEPA 捕获了潜动作之间的相关性，从而支持协调的多智能体未来。
在 D3IL 基准上，训练后的 Quantum-JEPA 模型能够从同一初始点生成多条避障路线，且无需观测运动信息。
在受控任务上，经典先验与量子先验的实现均在预测有效性和分布保真度上优于所评估的变分基线。
研究验证了有限采样下的参数偏移训练（finite-shot parameter-shift training），包括带有读出噪声的训练场景。
这项研究在真实 QPU 上验证了训练后量子先验的推理可行性，而大多数量子机器学习工作聚焦于仿真。
当前验证集中在受控任务和有限规模的 QPU 推理上，量子先验在更大规模、更高维问题上的表现仍有待检验。
全部知识事实 (9)
Quantum-JEPA 使用条件量子玻恩先验（conditional quantum Born prior）来学习未来表征的分布，为 JEPA 引入了一个可训练的量子组件。
50%待验证Quantum-JEPA 的核心设计是用量子电路生成二值潜动作（binary latent actions），测量输出的比特串被解释为潜动作，再由共享预测器映射到不同的未来表征。
50%待验证Quantum-JEPA 采用采样能量目标（sampled energy objective）来优化量子先验，使生成的潜动作既能产生有效的未来预测，又能覆盖多种可能的延续。
50%待验证在构造的多模态任务上，Quantum-JEPA 捕获了潜动作之间的相关性，从而支持协调的多智能体未来。
50%待验证在 D3IL 基准上，训练后的 Quantum-JEPA 模型能够从同一初始点生成多条避障路线，且无需观测运动信息。
50%待验证在受控任务上，经典先验与量子先验的实现均在预测有效性和分布保真度上优于所评估的变分基线。
50%待验证研究验证了有限采样下的参数偏移训练（finite-shot parameter-shift training），包括带有读出噪声的训练场景。
50%待验证这项研究在真实 QPU 上验证了训练后量子先验的推理可行性，而大多数量子机器学习工作聚焦于仿真。
50%待验证当前验证集中在受控任务和有限规模的 QPU 推理上，量子先验在更大规模、更高维问题上的表现仍有待检验。
50%