面向仿真 Gamma 射线暴检测的量子卷积神经网络基准测试

本研究评估了量子卷积神经网络（QCNN）用于识别仿真天体物理数据集中类似伽马射线暴（GRB）的信号的效果。此研究聚焦于区分仿真的 Cherenkov 望远镜阵列（CTAO）数据中的 GRB 类信号与背景噪声。QCNN 是经典卷积神经网络（CNN）的量子等价物，利用量子原理高效处理和分析高维数据。我们使用 Qiskit 框架实现了混合量子-经典机器学习技术，QCNN 在量子模拟器上训练。测试了多种 QCNN 架构，采用不同编码方法，如数据重上传和幅度编码。关键发现表明，QCNN 的准确率常常可与经典 CNN 相当，甚至超过 90%，且参数更少，可能在计算资源方面更高效。进一步的基准研究检验了超参数（如量子位数和编码方法）对性能的影响，结果显示更多量子比特和先进编码方法通常会提升准确率但增加复杂度。QCNN 在时间序列数据集上表现稳健，成功地以高精度检测到了 GRB 信号。该研究是首次将 QCNN 应用于天体物理学的 pioneering 工作，为理解其潜在优势与局限性提供了见解。此工作为未来探索 QCNN 在天体物理数据分析中充分发挥优势的努力奠定了基础。