量子科技中心_量科网

可靠的脉冲星候选体排序不仅需要具备区分能力的概率估计，还需要这些估计经过良好校准。该团队采用三种量子特征编码（角度编码、振幅编码和数据重上传），在不平衡的HTRU-2数据集上评估了混合量子-经典逻辑回归模型。模型利用解析梯度进行训练，并在配对种子协议下与经典基线模型及量子支持向量机参考模型进行了比较。评估内容涵盖罕见事件区分能力、低假阳性率恢复能力、概率校准以及运行时间分析。在量子逻辑回归的各种变体中，角度编码表现最为突出。在浅层深度下，角度编码模型在区分能力和低假阳性率恢复能力上仍接近最优经典基线模型，同时在基准配置下校准误差最低。Murphy分解表明，角度编码模型在不同电路深度和训练集大小下均能保持较低的可信度误差以及高且稳定的分辨率。这意味着其概率估计既保持了校准性，又在候选体组间保持了有意义的区分度。数据重上传在小深度下具有竞争力，但在当前多量子比特实现中，随着深度增加会丧失区分能力和分辨率；而振幅编码在所有数据集大小下表现均较弱。因此，浅层角度编码量子逻辑回归在测试的量子逻辑模型中实现了最佳平衡，尽管仿真运行时间仍是一个实际限制因素。