量子科技中心_量科网

基于生物标志物的临床结果预测面临诸多挑战，包括非线性关系、特征相关性以及医疗数据集规模有限等问题。传统机器学习方法在这些条件下往往表现不佳，这促使研究人员寻求替代方案。该工作研究了量子储层计算（QRC）方法，通过无噪声仿真和在中性原子里德堡处理器“Aquila”上的硬件执行两种方式进行验证。研究人员使用六种经典机器学习模型评估性能，并采用SHAP方法生成特征子集。研究发现：基于仿真量子特征训练的模型平均测试准确率与经典特征模型相当，但训练准确率更高且数据分割间波动更大，表明存在过拟合现象；当比较硬件执行与无噪声仿真时，模型在不同数据分割下表现出更强鲁棒性，且平均测试准确率往往具有统计学显著提升。这种准确率提升与稳定性增强的组合效应，暗示硬件执行可能产生了正则化效果。为探究该现象的成因，研究人员分析了硬件与仿真量子特征分布的统计差异，发现硬件执行会施加一种结构化的时变转换——其特征表现为向均值压缩，以及相对于仿真条件下互信息的渐进衰减。