量子科技中心_量科网

量子卷积神经网络（QCNN）因其高效的参数化结构以及对量子信息的分层表示能力，在量子机器学习（QML）领域日益流行。异常检测是一项重要的机器学习任务，广泛应用于包括科学数据分析在内的多个领域。在本工作中，研究团队将QCNN架构改造成量子自编码器（QAE）框架，用于基于重建的异常检测。这些模型以半监督方式在正常样本上进行训练，以重建经过特征提取和降维后的时间序列数据，并利用重建误差作为异常得分。该团队研究了两种在潜在信息处理方式上不同的量子卷积自编码器架构：一种是信息在整个电路中保持分布的分层架构；另一种是基于瓶颈的架构，其中信息通过额外的解码器量子比特进行显式压缩和重建。研究人员通过改变量子潜在空间的尺寸，来研究其对重建精度和异常检测性能的影响。这些方法使用一个真实的外行星异常检测数据集，与变分量子电路以及相当规模的经典基线模型进行了比较。结果表明，潜在空间尺寸与模型容量之间存在权衡，同时，与信息在整个电路中保留的架构相比，通过量子瓶颈进行显式潜在空间压缩可以提升异常检测性能。