2026年5月22日 -- 华盛顿STEM、创业与研究学院（WISER）与弗劳恩霍夫工业数学研究所ITWM成功完成了一项联合研究项目，该项目是WISER量子与人工智能计划的一部分，旨在加深对量子机器学习在实际工业应用场景中的理解。

该合作的核心在于探索新兴量子计算方法如何支持制造业中的异常检测——这是识别复杂生产系统故障的关键任务。通过分析工业设备的传感器数据，此类方法旨在早期发现异常，从而帮助减少停机时间、改进质量控制并提升整体效率。研究聚焦于实际场景，例如识别气动泄漏和检测旋转机械故障，展示了量子增强模型如何补充工业中现有的数据驱动解决方案。

基于这一应用视角，研究团队对量子神经网络（QNNs）进行了系统评估，这是一类专为近期量子硬件设计的机器学习模型。结果显示，QNNs能够实现具有竞争力的性能，包括在气动泄漏检测中达到87.77%的准确率，并在NASA轴承故障数据集上表现出色（ROC-AUC指标）。研究还进一步分析了数据编码策略等关键设计选择，指出二进制编码和指数编码是在模型表达能力与可训练性之间实现有效平衡的方案。完整的技术细节可在相应的arXiv论文中查阅。

WISER的Vardaan Sahgal表示：“量子神经网络有望将量子原理融入机器学习。然而，在理解QNNs在可训练性和近似能力方面的实际局限性上，仍存在关键空白。我们的工作为选择能够在合成数据集和真实世界数据集上平衡表达能力的ansatz提供了路线图，同时使用有限的量子比特数量来应对噪声问题。”

将量子机器学习引入工业实践

数据驱动方法，包括量子启发式和量子原生方法，为航空航天、汽车、能源和工业自动化等行业的预测性维护和流程优化提供了新的机遇。

弗劳恩霍夫ITWM的Pascal Halffmann博士表示，这项工作展示了量子机器学习如何应用于当前的实际工业问题，同时强调了随着量子硬件的不断发展，其在提高复杂生产环境中决策支持质量方面的潜力。

此次合作反映了WISER的使命，即通过其解决方案启动平台，将新兴技术与现实挑战联系起来，加速应用创新。结合弗劳恩霍夫ITWM在工业数学方面的专长，该合作为评估早期量子技术并将其转化为相关工业应用案例提供了一条结构化路径。