量子科技中心_量科网

区块链交易数据本质上是高维度、高噪声且相互纠缠的，这给传统聚类算法带来了巨大挑战。虽然量子增强聚类模型已展现出显著的性能提升，但其可解释性仍然有限，制约了在金融欺诈检测和链上治理等敏感领域的应用。为弥合这一鸿沟，该研究团队提出两阶段分析框架，将定量聚类评估与AI智能体辅助的定性解释协同结合。第一阶段采用经典聚类方法和轮廓系数、戴维森堡丁指数、卡林斯基哈拉巴斯指数等评估指标，确定最优聚类数量与基准分区质量；第二阶段引入AI智能体生成人类可读的语义化聚类解释，揭示类内特征与类间关联。实验表明，尽管完全训练的量子神经网络（QNN）在定量指标上优于随机量子特征（QF），但AI智能体进一步揭示了两种方法的微妙差异，尤其暴露了QNN驱动模型中存在的单例簇现象。两阶段整合的分析结论一致支持三簇配置，证实了该混合方法的实用价值。该工作推动了量子辅助区块链分析的可解释性研究，为未来AI自主编排的聚类框架奠定了理论基础。