量子科技中心_量科网

由于气候、人口和社会经济因素之间复杂的相互作用，以及观测数据的高度稀疏性和季节性特征，在群体层面预测热相关生理事件具有极大挑战性。本研究提出一个统一预测框架，通过整合异构环境与公共卫生数据集，在通用流程中评估两种学习范式：经典机器学习与量子机器学习。该方法结合了数据协调、时间聚合、特征工程和降维技术，构建出县级周粒度人口数据集。基于该统一表征，研究人员既训练了经典回归基线模型，也开发了采用角度嵌入和数据重上传技术的参数化量子电路变分量子模型。在美国和加泰罗尼亚数据集上的实验表明：当前经典模型在类别高度不平衡且目标稀疏条件下预测精度更高，但量子模型仍展现出显著学习能力，并在多个场景中捕获到有意义的预测结构。这些结果为群体生理预测的经典与量子学习方法提供了实证比较，同时为未来量子硬件发展背景下的混合健康建模奠定了方法论基础。