2026年7月20日——中国科学院合肥物质科学研究院的一个合作团队开发了一种量子增强方法，能够改善EAST托卡马克诊断数据中的异常信号检测，同时与传统的深度学习方法相比，显著降低了计算需求。

该方法将经典数据处理技术与量子机器学习相结合，通过高效信号分析与量子计算的融合，提升了诊断数据处理的性能。

聚变实验会产生大量诊断数据，但信号干扰和扰动使得异常检测变得困难。传统方法可能难以捕捉复杂的信号特征，而数据驱动的方法则通常依赖大量的计算资源。

在这项研究中，研究人员将库普曼算子理论（一种用于分析复杂动态系统的数学方法）与量子神经网络相结合。该方法首先从复杂的诊断信号中提取关键信息并降低数据维度，然后再用量子电路对数据进行处理。

使用来自EAST诊断系统的4763个标注信号序列进行的测试显示，新方法在检测异常信号方面达到了约97.0%的准确率，接近传统深度学习模型98.0%的准确率。然而，它仅使用了深度学习模型所需可训练参数的大约0.2%，使其更适用于当前资源有限的量子计算设备。

研究人员还在模拟的量子硬件限制条件下测试了该方法，包括测量误差和信号干扰。该系统在有限的量子测量次数下保持96.2%以上的准确率，并且在更强的干扰条件下仍保持可靠。

其模块化设计允许将量子计算任务分配到更小的量子处理器上，为将量子机器学习应用于复杂的聚变数据分析提供了一条实用途径。