量子科技中心_量科网

本文探讨了在含噪中等规模量子（NISQ）系统时代，变分量子分类器（VQC）用于检测网络异常的有效性及其结构局限性。该研究基于NSL-KDD数据集的官方20%研究子集，开发了一个4量子比特分类器，该分类器采用一个包含24个可训练参数的ansatz结构，并利用振幅编码嵌入16个主成分。在该子集的保留测试分区上，模型实现了稳定的88%二分类准确率。通过对比两种截然不同的优化器COBYLA和SPSA，该团队发现观测到的性能平台并非由收敛至局部最小值所致，并将此结果解释为与编码相关的表达能力极限，而非优化假象。与经典神经网络（一个拥有4个节点、准确率达97%的微型MLP）进行架构等价性比较，揭示了因数据过度压缩至有限量子态而产生的表达差距。该模型在一个涵盖NSL-KDD全部22个原始攻击类别的类别平衡数据集上训练，并在样本内进行评估以探测其表征能力：在此配置下，VQC仅达到9%的准确率，并表现出退化的模式坍塌，仅能识别极小部分类别。该研究将此行为解释为与量子概率空间中过度压缩导致线性可分性丧失相一致的结论，同时明确指出，该团队的实验并未将编码与ansatz深度、优化器预算和测量解码方案相分离（见局限性部分）。受这些观测结果及Cover定理启发，该团队概述了一种替代范式：一个采用角度编码的16量子比特VQC，该方案扩展希尔伯特空间表征，而非依赖激进的经典降维方法。