量子神经网络架构比较分析：特征图与 ansatz 配置

量子机器学习（QML）是量子计算与机器学习交叉领域，旨在通过利用纠缠和叠加等量子力学原理来增强经典机器学习方法。然而，由于当前噪声中间规模量子（NISQ）设备的局限性，人们仍对 QML 在实际优势方面的持持怀疑态度。本研究通过广泛评估量子神经网络（QNN）——量子启发的人工神经网络（ANN）对手，来回应这些担忧，证明其在预测任务中的有效性。我们系统构建并评估了十二种不同的 QNN 配置，采用两种独特的量子特征图结合六种不同的纠缠策略用于 ansatz 设计。在风能数据集上进行实验，结果显示采用 Z 特征图的 QNN 在仅使用四个输入参数预测风力输出时，可实现最高 93% 的预测准确率。我们的发现表明，QNN 在预测任务中超越了经典方法，凸显了 QML 在实际应用中的潜力。