量子科技中心_量科网

近期量子机器学习(QML)模型运行的环境存在不可避免的噪声干扰，这些噪声既来自不完美的经典数据采集过程，也源于含噪中等规模量子(NISQ)硬件的局限性。尽管现有研究大多孤立地关注量子线路噪声，但经典数据损坏与量子硬件噪声的复合影响却鲜少受到关注。本研究通过系统实验，考察了变分量子分类器在现实多层级噪声条件下的鲁棒性。以泰坦尼克号数据集为基准，在量子编码环节采用ZZ特征映射之前，该团队对经典特征施加了多种数据集级噪声模型——包括斑点噪声、脉冲噪声、量化噪声以及特征丢弃。同时，通过Qiskit Aer模拟器在电路层面引入了受硬件启发的量子噪声通道：退极化噪声、振幅阻尼、相位阻尼、泡利误差以及读出误差。实验结果表明，经典输入数据中的噪声会显著加剧量子退相干效应，导致训练过程稳定性下降及分类准确率明显降低。这些发现共同强调了在设计评估量子机器学习流程时考量噪声因素的重要性，并揭示了在NISQ时代评估QML性能时需同步考量经典与量子噪声的必要性。