量子科技中心_量科网

量子机器学习（QML）是量子计算与机器学习交叉领域的新兴方向，其核心是通过利用量子纠缠与叠加等力学原理来增强经典机器学习方法。然而，由于当前噪声中等规模量子（NISQ）设备的局限性，学术界对QML的实际优势仍存疑虑。该研究针对这些质疑展开系统性评估，以量子神经网络（QNNs）——这一受量子启发的类人工神经网络（ANNs）架构作为研究对象，论证了其相对于经典方法的有效性。研究团队采用两种独特的量子特征映射结合六种不同纠缠策略进行设计空间探索，构建并评估了十二种QNN配置。在风能数据集上的实验表明：仅使用四个输入参数预测风电功率输出时，采用Z特征映射的QNNs可实现高达93%的预测准确率。该工作证实QNNs在预测性任务中超越经典方法，为QML的实际应用潜力提供了有力佐证。