量子科技中心_量科网

锂离子电池的健康状态（SOH）精确估计仍是一个具有挑战性的难题，这源于复杂的电化学退化机制和长期时间依赖性。该研究提出了一种量子增强循环框架QLSTM，将变分量子电路直接嵌入长短期记忆网络的门控机制中。通过用参数化酉运算替代经典仿射变换，该模型在循环状态转移过程中引入了结构化非线性变换。基于多个基准电池数据集的大量实验表明，QLSTM在预测精度和鲁棒性方面始终优于经典序列模型，平均绝对误差（MAE）显著降低，较传统LSTM基线提升幅度达20%左右。消融研究进一步证实，这些改进主要源于量子增强门控机制而非输入级变换。对量子比特规模化和噪声鲁棒性的附加分析表明，模型性能取决于表达能力与可训练性之间的平衡。这些结果为量子计算原语嵌入循环架构提供了实证依据，证明其能通过结构化方法提升序列建模能力。该框架确立了将量子算子整合到时序学习模型中的新设计范式，在复杂动态系统预测任务中具有潜在应用价值。