用于融合设备诊断去噪的 Koopman-量子混合范式验证

量子机器学习 (QML) 在数据密集型科学中的潜力严格受限于将高维混沌经典数据接口到资源受限、噪声较大的量子处理器的难度。为填补这一鸿沟，我们引入基于物理的 Koopman-量子混合框架，该框架在 Koopman 算子——用于线性化非线性动力学——与量子演化之间建立表示级结构同构关系的理论基础上设计。基于该理论基础，我们设计了一个可实现的 NISQ-friendly 流程：Koopman 算子作为物理感知的“数据提炼器”，将波形压缩为紧凑的“量子就绪”特征，随后由模块化的并行量子神经网络处理。我们在来自 433 次放电、4763 条标记通道序列的实验数据上验证了该框架。结果表明，该模型在筛选受损诊断数据方面达到 97.0% 的准确率，匹配当前深度经典 CNN 的性能，同时使用数量级更少的可训练参数。该工作为在受限环境中利用量子处理提供了一条可行的、基于物理的范式，为量子增强边缘计算的可扩展路径。