供应链数字孪生中的不确定性：一种量子-经典混合方法
机器学习
2025-09-03 v3
摘要
本研究探讨了在复杂动态领域（如实现供应链数字孪生的韧性与金融风险评估）中，利用量子-经典混合机器学习（ML）模型进行不确定性量化（UQ）的问题。尽管量子特征变换已被集成到用于复杂数据任务的ML模型中，但在其混合架构（量子-经典方法）中确定其对UQ的影响仍存在空白。本文在混合框架内应用现有的针对不同模型的UQ技术，考察量子特征变换如何影响不确定性传播。将量子比特数从4增加到16，显示出模型对异常检测（OD）样本的响应各异，这是动态环境中韧性决策的关键因素。本文展示了量子计算技术如何为UQ转换数据特征，特别是在与经典方法结合时。
引用
@article{arxiv.2411.10254,
title = {Uncertainty in Supply Chain Digital Twins: A Quantum-Classical Hybrid Approach},
author = {Abdullah Abdullah and Fannya Ratana Sandjaja and Ayesha Abdul Majeed and Gyan Wickremasinghe and Karen Rafferty and Vishal Sharma},
journal= {arXiv preprint arXiv:2411.10254},
year = {2025}
}