量子科技中心_量科网

高能物理（HEP）实验（如大型强子对撞机LHC）产生的海量数据对经典计算能力提出了严峻挑战。量子机器学习（QML）在处理高维数据方面具有潜在优势，但如何为当前噪声中等规模量子（NISQ）设备设计最优架构仍是待解难题。该研究基于ATLAS希格斯玻色子机器学习挑战赛2014年实验数据集，探究了变分量子分类器（VQC）在希格斯玻色子信号检测中的性能表现。研究人员采用主成分分析（PCA）构建降维流程，将30个物理特征映射至4量子位和8量子位的潜空间，并对比了三种架构：（A）浅层4量子位电路，（B）增加纠缠层的深层4量子位电路，（C）扩展的8量子位电路。实验结果表明，增加电路深度可显著提升性能——构型B以56.2%的准确率优于基线51.9%；而单纯扩展至8量子位时，由于大希尔伯特空间中“贫瘠高原”带来的优化难题，性能反而下降至50.6%。这些发现表明，就近期量子硬件而言，在HEP数据异常检测中，优先提升电路深度和纠缠能力比增加量子比特数更为关键。