量子科技中心_量科网

该研究团队比较了参数化量子核（pQK）与采用Victor-Purpura或van Rossum核的量子漏电整合发放（QLIF）神经形态计算方法在谱聚类任务中的表现，同时以经典径向基函数（RBF）核作为基准。性能评估涵盖基于标签的分类与聚类指标，以及通过类似K均值聚类中常用的肘部曲线法对每个数据集进行最佳聚类数预测。pQK采用角度编码方式对特征向量进行参数化缩放，并通过网格搜索优化参数以最大化核目标对齐度，从而生成反映特征空间距离的量子核。量子神经形态方法则采用群体编码将数据转换为脉冲序列，再使用时域距离度量进行处理。在性能评估前，所有核矩阵均作为输入接入经典谱聚类流程。对于合成数据集和鸢尾花数据集（Iris），QLIF核通常表现出优于pQK的分类和聚类性能；但在如斯隆数字巡天（SDSS）预处理版等高维数据集上，pQK表现更佳，暗示其在高维场景中可能具有优势。