编辑推荐：
本文聚焦量子机器学习在物联网数据分类中的应用挑战，探讨了投影量子核方法如何通过量子编码与经典投影的有效结合，在办公室 occupancy 预测任务中实现与经典支持向量机相媲美的性能，为量子算法在真实场景下的实用化提供了重要参考。
随着物联网设备的普及，海量传感器数据为环境监测、智能建筑等领域带来了新的机遇。然而，如何高效、准确地从这些数据中提取有价值的信息，例如预测房间是否被占用，成为了一个实际且具有挑战性的问题。传统的机器学习方法，如支持向量机（SVM）及其核方法，在处理非线性数据时表现出色，但其性能很大程度上依赖于特征映射的选择。与此同时，量子计算的出现为机器学习提供了新的可能性。量子机器学习（QML）旨在利用量子计算机的独特优势，例如将数据映射到指数级高维的希尔伯特空间，以探索超越经典方法的潜力。在当前嘈杂中等规模量子（NISQ）时代，量子算法面临噪声和规模限制的双重挑战，因此，设计能够在当前硬件上有效运行且性能优异的QML算法至关重要。其中，量子核方法，特别是投影量子核（PQK），因其数学上的优雅性和潜在的实际应用价值而备受关注。本研究正是在此背景下，评估了PQK在真实世界物联网数据分类任务中的有效性，并将其与标准量子核（QK）及经典SVM方法进行了系统比较。相关研究成果已发表在《Array》期刊上。
为开展研究，作者团队主要采用了以下几种关键技术方法：首先，他们使用了一个无需降维预处理即可直接输入量子电路的真实物联网数据集（COGITO-IoT数据集），该数据集包含2865条来自办公室环境传感器的记录，用于预测房间占用状态。其次，研究设计并比较了多种量子编码电路（如RotX、3D、3D-CNOT、ZZFeatureMap、IQP、Trotterized等），将经典数据映射到量子态。第三，核心方法是投影量子核（PQK），它通过量子测量将量子态投影回经典特征空间，并在此基础上构建核矩阵用于SVM分类。此外，也对比了非投影的标准量子核（QK）和经典径向基函数（RBF）核SVM。研究还通过网格搜索优化超参数（如正则化参数C和核参数γ），并利用10折交叉验证评估模型性能。最后，分析了不同测量策略（如单比特观测m=1、双比特观测m=2及其组合）以及有限测量次数（shots）引入的噪声对模型的影响。
研究结果
不同编码与投影策略的性能比较
研究系统比较了多种量子编码电路（RotX, 3D, 3D-CNOT, ZZFeatureMap, IQP, Trotterized）在PQK、QK以及经典SVM-RBF下的性能。结果表明，对于PQK，使用浅层编码电路（如RotX、3D、3D-CNOT）时，其分类准确率和F1-score与经典SVM-RBF相当，甚至在某些配置下略有优势。例如，采用3D-CNOT编码和双比特观测（m=2）的PQK模型取得了最佳性能（准确率0.901 ± 0.008）。相比之下，更复杂、更深的编码电路（如ZZFeatureMap）性能反而较差。在QK与PQK的比较中，PQK在浅层编码下表现出比QK更优的性能，且差异具有统计显著性。
模型紧凑性分析
研究还关注了模型的支持向量（SV）数量，作为模型复杂度和泛化能力的指标。结果显示，使用PQK和QK方法，尤其是在浅层编码下，通常能够产生比经典SVM-RBF更紧凑的模型（即更少的支持向量）。例如，使用3D编码和混合观测（m={1,2}）的PQK模型，其支持向量数量比SVM-RBF减少了约18%，这有助于提升模型的预测速度和泛化能力。
噪声影响评估
为了评估实际量子设备中不可避免的测量噪声（shot noise）的影响，研究分析了不同测量次数对PQK性能的影响。有趣的是，结果表明模型性能在相对较少的测量次数（约1500次shots）后即趋于稳定。更值得注意的是，在极少的测量次数下（几十到300次），模型性能甚至出现了一个小高峰，这表明适度的量子测量噪声可能对模型优化产生积极影响，类似于噪声在变分量子算法（VQA）中帮助逃离鞍点的作用。
研究结论与意义
本研究通过系统评估投影量子核（PQK）在真实物联网数据分类任务中的表现，得出以下主要结论：首先，PQK在处理真实世界数据时展现出与经典SVM-RBF相媲美甚至略优的性能，证明了其在当前NISQ时代下的实用潜力。其次，研究强调了量子编码设计的重要性，浅层量子电路在多数情况下优于深层复杂电路，这为未来QML算法的设计提供了重要指导，即不应盲目追求电路的深度和复杂性。第三，PQK相比标准量子核（QK）不仅性能更优，而且将量子计算部分的复杂度从O(N2)降低到了O(N)，在计算效率上更具优势。此外，研究发现适度的量子测量噪声可能对模型性能有积极作用，这为在噪声环境下优化QML算法提供了新思路。
该研究的深刻意义在于，它通过一个真实的案例表明，量子机器学习算法并非必须依赖深奥的量子特性或复杂的电路才能发挥作用。通过精心设计的浅层编码和有效的投影策略，PQK能够将量子计算的潜力转化为解决实际问题的有效工具。这项工作为量子计算在物联网、智能环境等领域的应用铺平了道路，并强调了将QML研究与现实世界数据集和约束条件相结合的重要性。未来的研究方向包括将PQK应用于更大、更多样化的数据集，探索自适应测量策略，以及在真实的含噪量子硬件上进行验证和优化。
