量子科技中心_量科网

量子机器学习（QML）为应对经典方法难以解决的复杂金融问题提供了新范式。该研究重点攻克了小样本信贷风险评估这一普惠金融领域的核心难题——传统模型常因数据稀缺与不平衡而失效。为此，研究人员设计并实现了一种创新的混合量子-经典工作流程：首先采用集成经典机器学习模型（逻辑回归、随机森林、XGBoost）进行智能特征工程与降维处理，随后通过参数平移规则训练的量子神经网络（QNN）作为核心分类器。该框架不仅通过数值模拟验证，更在“夸父”量子云平台的ScQ-P21超导处理器上实际部署。在包含279个样本的真实信贷数据集中，QNN在仿真环境下取得0.852±0.027的平均AUC值，硬件实验更获得0.88的优异表现，全面超越系列经典基准模型，尤其在召回率指标上表现突出。这项工作为NISQ时代量子计算在数据受限金融场景的应用提供了实用蓝图，并为量子技术在普惠金融等高风险领域的应用潜力提供了宝贵的实证依据。