量子科技中心_量科网

该研究团队探究了一种新型量子机器学习（QML）方法能否识别X射线光变曲线中的瞬态异常事件，并将该方法应用于XMM-Newton 4XMM-DR14星表的数据检测。研究人员采用的架构是长短期记忆网络（LSTM）的量子化版本，其中部分全连接层被量子电路替代。这种基于历史数据预测的LSTM模型，可通过比较预测值与实际时序数据来识别异常。训练数据通过模拟类活动星系核光变曲线生成，这类天体在XMM-Newton星表中占据重要比例。为评估训练后的量子LSTM（QLSTM）模型，研究人员还在训练数据中添加了类似准周期喷发等耀斑作为额外异常数据。 通过对比量子与经典LSTM（CLSTM）模型的多项性能指标，该工作发现融合量子叠加与纠缠特性的QLSTM模型在表达能力、准确率和真阳性率上略优于CLSTM模型。性能最优的QLSTM模型随后被用于4XMM-DR14星表的瞬态事件检测。在0.2-12 keV波段的40,154条光变曲线中，共检测到113条存在异常的瞬态候选事件，这一数量约为CLSTM模型可检测异常的1.3倍。利用SIMBAD天文数据库及ROSAT、SkyMapper、Pan-STARRS和WISE四大广域巡天星表进行交叉验证后，研究人员发现其中12个异常事件未找到任何可能的对应天体。