研究人员利用量子计算机对中微子事件进行分类

研究人员利用量子计算机在分类中微子望远镜探测到的事件时，使用 NPQK 达到了接近 80% 的测试准确率，使用 QCNN 达到了约 70% 的准确率，这一结果与传统方法相当。Pablo Rodriguez-Grasa、University of the Basque Country UPV/EHU 及其同事通过研究神经投影量子核（NPQK）和量子卷积神经网络（QCNN）展示了这一能力。

这项工作发表于 2026年8月21日 的 Quantum Science and Technology 第 4 期，确立了使用当前硬件将量子机器学习应用于天文数据分析的可行性。该研究探讨了量子计算机如何区分不同类型的中微子事件，这对于理解罕见的宇宙现象至关重要。

中微子事件分类的 NPQK 和 QCNN 方法

神经投影量子核（NPQK）方法实现了接近 80% 的测试准确率，展示了在模拟器和 IBM Strasbourg 量子处理器上直接分类中微子事件的能力。这一结果表明天体物理学正转向实际的量子应用。由 University of the Basque Country UPV/EHU 的 Pablo Rodriguez-Grasa 领导的研究人员在 2026年8月21日 发表并刊登于 Quantum Science and Technology 第 4 期的研究中详细介绍了这一性能，重点是区分μ子轨迹和强子/电磁级联，这些是中微子望远镜数据中的关键特征。

在量子硬件上的这种直接实现绕过了对纯模拟结果的需求，针对当前量子系统固有的噪声和局限性验证了该方法。团队解决了将量子机器学习应用于高能物理的一个关键挑战：大规模特征空间的编码。

传统方法难以处理像 IceCube 这样负载海量信息的中微子望远镜所产生的数据，这限制了量子图神经网络的可行性。为了解决这个问题，Rodriguez-Grasa 及其同事引入了一种基于转动惯量的编码方案，这是一种受问题的基础物理和几何启发的预处理策略。该方案旨在降低数据的维度，同时保留基本的物理特征。这种创新方法使他们能够使用可管理数量的量子比特进行工作，从而使分类任务在现有量子硬件上变得可行。

除了 NPQK 方法外，该研究还探索了量子卷积神经网络（QCNNs），在广泛能量范围内的模拟测试中实现了约 70% 的准确率。虽然略低于 NPQK 的性能，但 QCNN 的结果进一步证明了量子机器学习在中微子天文学方面的潜力。

研究人员通过模拟验证了他们的方法，更重要的是，通过在 IBM Strasbourg 量子处理器上实施该方法，确认了 1 TeV 以上结果的稳健性，并显示了模拟性能与硬件性能之间的高度一致。这种直接比较具有重要意义，因为它确立了量子算法在现实世界实验环境中的可靠性。

分类任务的核心是将μ子事件从强子和电磁簇射引起的事件中分离出来，这种区分对于确定入射中微子的味组成至关重要。通过模拟μ子和电子中微子事件特征，团队创建了一个用于训练和测试其量子分类器的数据集。