近日，等离子体所科研团队与北京邮电大学、深圳大学、中国移动软件技术有限公司等单位合作，在EAST托卡马克装置上利用经典‑量子混合框架开展诊断数据研究取得新进展。科研团队提出一种基于Koopman算子理论与量子机器学习的物理启发式经典-量子混合框架，能够有效解决下一代磁约束聚变装置在复杂电磁环境下诊断数据实时清洗难、量子处理器接口受限等关键问题。
磁约束聚变诊断每个脉冲产生海量多通道时序信号，但其中相当一部分被电磁干扰、传感器异常等污染。传统阈值方法难以适应新型等离子体运行模式，经典深度学习虽性能强劲却需要数万至数十万参数，而当前NISQ处理器在比特数和相干时间上严重受限，如何将高维混沌数据编码到小型量子电路中成为输入瓶颈。研究团队发现Koopman算子演化与量子演化在表示层面存在结构同构性，基于此设计了Koopman‑PQNN两阶段混合管道：首先通过Koopman嵌入模块从原始信号中提取低维残差统计特征，滤除可预测的线性动力学成分，保留对异常敏感的非线性偏差;随后将压缩后的6维特征编码进两个并行的3‑qubit量子电路，经变分层处理后输出“正常/异常”二分类结果，整个过程中仅变分层参数参与优化，参数总量仅约0.1k。
在EAST先进诊断上系统4763条标注通道序列上的验证表明，Koopman‑PQNN在测试集上达到约97.0%的异常检测准确率，仅略低于原始深度CNN的98.0%，但参数数量仅为后者的约0.2%。通过t‑SNE投影与轮廓系数量化，该模型的特征聚类质量高达0.800，显著优于原始数据CNN(0.392)和经典特征CNN(0.754)。为评估对真实硬件噪声的容忍度，团队模拟了有限采样/读出误差和期望值高斯扰动，结果显示在128 shots时准确率即超过96.2%，在极端扰动下仍保持92.8%以上。此外，2×3‑qubit并行子电路设计使各子电路可独立运行于不同小型量子处理器，降低了对单一大型芯片的依赖，更贴合NISQ时代硬件现状。
相关研究工作系统形式化了Koopman‑量子同构的理论基础，为物理信息降维与量子协同处理提供了可扩展的理论接口。在数据高维、动力学复杂且受物理规律约束的领域，物理启发的预处理+小型量子电路的混合范式是一条值得深入探索的实用路线。
图1：算法示意图：(a) 经典‑量子混合框架;(b) Koopman嵌入模块;(c) 并行量子神经网络。
图2：测试结果：(a)(b) 与四种基线的测试准确率和训练损失对比;(c) 期望值高斯扰动下的精度变化;(d) 有限采样/读出误差下的精度变化。
