量子科技中心_量科网

量子机器学习（QML）在数据密集型科学中的应用潜力，目前受到一个严格瓶颈的制约：如何将高维混沌经典数据与资源有限、含噪声的量子处理器进行接口。为解决这一难题，该研究团队提出了一个基于物理信息的Koopman-量子混合框架——其理论依据源于团队建立的表示层结构同构性：将非线性动力学线性化的Koopman算子与量子演化过程具有数学同构性。基于这一理论基础，研究人员设计出适合含噪声中等规模量子（NISQ）设备的可行方案：Koopman算子充当具有物理感知的“数据蒸馏器”，将波形压缩为紧凑的“量子兼容”特征，再由模块化并行量子神经网络进行处理。该框架在托卡马克系统433次放电产生的4,763条标记通道序列上得到验证，结果显示：在筛选损坏诊断数据时，该模型准确率达97.0%，与最先进的经典深度CNN性能相当，但可训练参数数量减少数个数量级。这项工作为受限环境下利用量子处理建立了基于物理的实用范式，为量子增强边缘计算提供了可扩展路径。