量子科技中心_量科网

量子-经典混合机器学习（QHML）模型以其强大的性能和高泛化能力而著称，即使在相对较小的数据集上也能表现出色。这些特性为抗癌药物反应预测提供了独特的优势，因为通常可用的样本数量较少。然而，这种混合模型对神经网络和量子电路接口处使用的数据编码非常敏感，次优选择可能导致稳定性问题。为了解决这一问题，该团队提出了一种新颖的策略，使用基于tanh函数的调节梯度版本的归一化函数。该方法在不将神经网络输出集中在极值范围的情况下对其进行转换。研究团队在多种癌细胞系的基因表达和药物反应测量数据集上评估了这一想法，并比较了经典深度学习模型和几种QHML模型的预测性能。这些结果证实，当数据经过最优归一化处理后，QHML模型的表现优于经典模型。该研究为利用量子计算机进行生物医学数据分析开辟了新的可能性。