量子科技中心_量科网

该研究提出了一种基于量子卷积神经网络（QCNN）的框架，结合神经量子嵌入（NQE）方法，用于预测病毒和人类蛋白质氨基酸序列中的HIV-1蛋白酶切割位点。为评估该框架的有效性和鲁棒性，研究人员在无噪声和有噪声模拟环境下与经典神经网络进行了分类性能对比。实验结果表明：在可训练参数量级相近及不同量子比特数（4比特和8比特QCNN平均性能分别为0.9146和0.8929/经典神经网络平均性能为0.6125和0.8278）条件下，采用角度和幅度编码NQE的QCNN始终优于经典方案。该量子框架在量子硬件噪声环境下表现出稳定性能，验证了其在噪声中等规模量子（NISQ）硬件生物医学数据分析中的适用性。该工作首次将NQE增强型QCNN应用于HIV-1切割位点分类，为生物医学数据领域中可扩展且抗噪声的量子机器学习提供了新思路。