面向中性原子平台的量子储备计算信用卡违约预测

本文定义并基准测试了一个混合量子-经典机器学习管道，通过执行应用于真实世界金融场景的二进制分类任务。具体而言，我们在包括数据预处理和二进制分类的经典例程中实现了一个量子储备计算（QRC）层。该储备层在 QuEra 的 Aquila——一台 256 位量子比特的中性原子模拟器上，使用两种不同类型的编码执行：位置编码和局部色移编码。前者将经典数据编码到原子之间的相对距离中；后者编码到脉冲幅度中。所开发的管道应用于预测信用卡违约，使用公开数据集和多种传统分类器。将结果与完全经典的管道（包括深度神经网络（DNN）模型）进行比较。此外，评估了硬件噪声对分类性能的影响，通过将在 Aquila 中获得的结果与在经典、无噪声仿真中获得的结果进行比较。结果表明，无噪声仿真在与完全经典管道相当的性能方面表现出竞争力，而噪声显著降低整体性能。尽管该特定用例的结果相当于经典基准，但 QRC 的灵活性和可扩展性凸显了其在广泛应用范围内的强大潜力。