量子科技中心_量科网

该工作研究了混合量子-经典变分分类器在泰坦尼克号数据集监督学习任务中的性能表现。研究人员使用泡利纠缠型与非纠缠型扩展特征映射构建量子模型，并采用含50个以下变参的RealAmplitudes拟设。在理想态矢量模拟框架下，训练过程采用无梯度COBYLA优化器最小化交叉熵损失。对比分析表明：基于非纠缠特征映射的模型性能始终优于纠缠型，当参数超过15-20个时分类指标（准确率、平衡准确率、Youden指数）均达到饱和。此外，研究人员将两种量子模型与经典支持向量分类器（SVC）进行基准测试。虽然两种方法在多数训练规模下预测性能相当，但经典模型使用90%数据集训练时出现性能坍塌，而量子分类器未出现此类失效模式。这些结果印证了NISQ时代变分量子分类器在经典数据集二分类任务中的鲁棒性与可行性。