量子科技中心_量科网

该论文探究了量子计算在两项机器学习任务中的有效性：信用风险评估的特征选择与手写数字识别的图像分类。针对首项任务，研究人员将德国信用数据集的特征选择问题转化为二次无约束二元优化（QUBO）问题，通过量子退火算法求解以实现最优特征子集的筛选。实验结果表明，所得信用评分模型在仅使用极少量特征的情况下仍保持高分类精度。对于第二项任务，该团队基于量子神经网络（QNNs）对MNIST数据集中的手写数字3和6进行分类，通过精细的数据预处理（降采样、二值化）、量子编码（FRQI及压缩FRQI方案）以及QNN架构设计（CRADL与CRAML），证实了QNN处理高维图像数据的可行性。这项工作揭示了量子计算解决实际机器学习问题的潜力，同时强调需在资源消耗与模型效能间取得平衡。