量子科技中心_量科网

量子机器学习方法正越来越多地被探索用于建模复杂的环境系统，包括地下水热羽流动力学。该工作研究了一种量子卷积神经网络（QCNN），作为慕尼黑市地源热泵引起的地下水温度变化的替代模型。为了适应当前量子硬件的可扩展性限制，原始高维模拟输出被缩减为一组具有代表性的参数集，作为替代模型的训练目标。所提QCNN架构包括量子卷积层、量子池化层和全连接量子读出阶段。卷积和池化操作通过基于旋转门和测量驱动解码的参数化量子电路实现，同时采用哈密顿量启发的特征编码方案在量子设备上准备信息丰富的输入状态。该团队在多个执行后端上评估QCNN，包括理想态向量模拟器、噪声模拟器、IBM的127量子比特Kyiv量子处理器，以及采用先进纠错技术增强的同一硬件。采用实际噪声模型来近似设备行为并评估纠错策略的影响。模型性能通过训练集和测试集的均方误差（MSE）进行基准测试。结果表明，尽管经典神经网络仍达到最高预测精度，但QCNN在模拟器上表现出竞争性且一致的性能，并在采用纠错技术的硬件条件下表现出显著改进。这些发现表明，随着量子硬件和纠错技术的不断成熟，量子增强替代建模是未来地下水温度预测的一个有前景方向。