关于量子深度神经网络在预测和健康管理中的应用的综合综述:基础原理、挑战与机遇

《Engineering Applications of Artificial Intelligence》:A comprehensive review on quantum deep neural networks for prognostics and health management: Fundamentals, challenges and opportunities

【字体: 大 中 小 】 时间:2026年05月01日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  马扬克·谢卡尔·贾(Mayank Shekhar Jha)| 萨缪尔·延智·陈(Sameul Yen-Chi Chen)| 切坦·库尔卡尼(Chetan Kulkarni)| 金俊宪(Joongheon Kim) 法国洛林大学,法国国家科学研究中心(CNRS),CRAN,南锡

  马扬克·谢卡尔·贾(Mayank Shekhar Jha)| 萨缪尔·延智·陈(Sameul Yen-Chi Chen)| 切坦·库尔卡尼(Chetan Kulkarni)| 金俊宪(Joongheon Kim)
法国洛林大学,法国国家科学研究中心(CNRS),CRAN,南锡,54000

**摘要**
预测与健康管理(Prognostics and Health Management, PHM)领域致力于准确预测设备的剩余使用寿命(Remaining Useful Life, RUL),高效评估设备健康状态(State of Health, SoH),以及从系统中产生的多变量数据中识别异常指标。这些系统可能因功能或结构退化而出现这些问题,这种情况在各个工程领域都很普遍。主动评估设备健康状态和预测剩余使用寿命是PHM的核心目标,但由于退化过程通常是非线性的、可能具有非平稳性、基于多传感器数据,并且经常受到运行条件变化的影响,因此这些任务仍然具有挑战性。量子深度神经网络(Quantum Deep Neural Networks, QDNNs)作为一种潜在的替代方案或补充方法最近受到了关注,因为它们具有紧凑的参数化和强大的量子特征表达能力。本文对用于PHM的QDNNs进行了综述性介绍。首先,我们总结了理解这些模型所需的量子计算基础,包括量子比特(qubits)、测量、数据编码、参数化量子电路、梯度估计以及混合优化方法。然后,我们按照架构类型对PHM相关文献进行了分类:前馈型、循环型、卷积型、生成型和基于注意力机制的量子模型。针对每种类型,我们讨论了其数学原理、典型的编码选择、使用的数据集以及评估指标和对比基准。现有证据表明,QDNNs在某些方面可能比传统的深度模型更具竞争力,甚至参数效率更高;然而,相关研究仍存在异质性,且大多依赖于模拟器,不足以确立量子计算的系统性优势。最后,我们指出了量子增强预测技术面临的主要挑战和新兴机遇。

**引言**
在过去十年中,深度神经网络(Deep Neural Networks, DNNs)成为人工智能领域的重要技术,取得了在计算机视觉、语音处理、自然语言理解和预测分析等方面的重大突破(Goodfellow等人,2016年)。DNNs的成功源于其分层表示学习能力,其中卷积神经网络(Convolutional Neural Networks, CNNs)、循环神经网络(Recurrent Neural Networks, RNNs/LSTMs)和基于注意力机制的变换器(Transformers)能够自动从数据中提取多尺度和时间相关性(Vaswani等人,2017年;He等人,2016年)。几种特定的架构类型尤为突出。CNNs通过引入卷积滤波器和权重共享机制来捕捉局部结构,并利用平移不变性,使其在处理图像和频谱图等网格结构化数据时表现出色(Goodfellow等人,2016年;He等人,2016年)。对于序列数据,循环神经网络通过随时间更新隐藏状态来建模时间依赖性;然而,传统的RNNs在处理长距离依赖关系时容易遇到梯度消失或爆炸的问题。长短期记忆网络(Long Short-Term Memory, LSTM)通过引入门控机制来调节信息流动,从而在长时间范围内稳定学习过程(Hochreiter和Schmidhuber,1997年)。最近,变换器作为一种通用的序列建模框架出现,它们用自注意力机制替代了循环结构,能够高效地处理序列数据(Vaswani等人,2017年)。尽管DNNs应用广泛,但其模型复杂度的增加往往伴随着参数数量、训练计算资源和内存/通信需求的快速增长,这引发了关于可扩展性、可访问性和能效的担忧(Talaei Khoei等人,2023年)。实证研究量化了训练大型深度模型所带来的巨大财务和环境成本,从而推动了更注重计算和能源效率的训练实践的发展(Schwartz等人,2020年;Patterson等人,2021年)。

量子计算提供了一种根本不同的计算范式:信息以量子态的形式编码,通过幺正演化进行运算,并通过测量提取结果(Biamonte等人,2017年;Nielsen和Chuang,2010年;Preskill,2018年)。对于某些问题,量子算法能够提供可证明的加速效果;最著名的例子包括Shor的因式分解算法和Grover的非结构化搜索算法(Shor,1994年;Grover,1996年)。此外,在某些采样和绝热场景下也建立了复杂性理论上的优势,尽管在通用优化和机器学习方面的实际应用优势仍存在争议(Abbas等人,2024年)。值得注意的是,仅仅拥有指数级大的希尔伯特空间并不自动意味着计算优势;任何实际加速效果都必须通过算法对干涉、纠缠和测量结构的有效利用来实现。量子计算与人工智能的结合催生了量子机器学习(Quantum Machine Learning, QML)这一新范式,其中利用量子叠加、纠缠和干涉等特性来提升学习和推理能力(Biamonte等人,2017年)。QML通过将数据编码到指数级大的希尔伯特空间中并在叠加态下执行计算,从而在算法和表示层面上优于传统模型(Cerezo等人,2021年;Dunjko和Briegel,2018年)。在量子机器学习领域中,量子深度神经网络(Quantum Deep Neural Networks, QDNNs)是一个特别活跃且实用的研究方向。在本文中,我们使用“QDNN”来指代那些包含可训练量子子程序的分层量子(或混合量子-经典)模型,这些子程序类似于传统深度网络中的可学习层。在短期内,这类模型通常通过参数化量子电路(Parameterized Quantum Circuits, PQCs)或变分量子电路(Variational Quantum Circuits, VQCs)实现,其门控依赖于一组可训练的实数值参数,并通过经典的外循环优化器利用测量得到的损失值进行优化(Benedetti等人,2019年;Cerezo等人,2021年)。这种变分(混合)工作流程具有吸引力,因为它可以在噪声中等规模的量子(Noisy Intermediate-Scale Quantum, NISQ)硬件上运行(NISQ指的是具有有限量子比特数量和 imperfect 门控的故障容忍型量子处理器,Preskill,2018年),并且支持将经典数据编码为量子态(通过嵌入/特征映射)后由PQC层处理的端到端训练过程(Schuld等人,2015年;Havlí?ek等人,2019年)。QDNNs的一个主要优势在于其参数效率,尤其是在处理具有指数级维度的量子态时。一个n量子比特的寄存器可以用2n维复希尔伯特空间中的状态来描述,但具有p个可调参数的PQC仅能探索由其电路结构(固定的门控模板和纠缠模式)生成的有限状态集。这类模型是否以及何时能真正带来量子优势仍是一个未解且复杂的问题。在本文中,我们使用的“量子优势”是指在相似资源假设下(例如运行时间、样本复杂性或模型规模),量子计算相对于传统方法所能展示出的明显优势;需要注意的是,在数据驱动的学习场景中,这一目标的适用性在QML社区内存在争议(H.-Y. Huang等人,2021年)。尽管如此,已经发现了几种量子模型可能带来优势的途径:(i)采样和生成建模任务,其中某些由PQC生成的分布被认为在复杂性理论上是难以用传统方法复制的(Du等人,2020年);(ii)核/特征映射方法,其中量子嵌入产生的相似性核在计算上可能非常耗时(Havlí?ek等人,2019年);(iii)利用PQC作为可训练模型的变分学习和优化场景,其实际性能取决于NISQ环境下的训练能力、误差缓解效果以及对强传统基线的仔细评估(Cerezo等人,2021年;Benedetti等人,2019年)。

表1列出了本文中使用的所有缩写和首字母缩写。

量子力学还允许量子纠缠现象,即量子比特之间的非经典相关性,这种相关性无法分解为独立状态。纠缠是量子神经网络(QNNs)实现非局部相关性和增强表达能力的关键资源(Biamonte等人,2017年;Abbas等人,2021年;Bharti等人,2022年)。量子纠缠无需显式权重矩阵即可实现多特征相关性,从而可能提高学习效率。这种表达能力是否能够转化为样本效率或泛化能力(即在未见数据上的表现)仍是当前研究的重点。

与量子计算的进步并行,预测与健康管理(PHM)在过去十年中也成为了一个核心领域,它通过主动预测系统的剩余使用寿命(RUL)来实现预测性维护(Sikorska等人,2011年)。预测RUL的任务被称为预测,是PHM的核心目标之一。它通过整合这些预测结果来支持决策支持和自动化(Sikorska等人,2011年;Jha等人,2016a;Kanso等人,2022年)。在工业机械领域,诊断功能包括故障检测、隔离和识别(Jha等人,2016a)。虽然故障检测和隔离(FDI)通过比较测量信号(如压力、温度、振动)与预期行为来识别异常操作(Jha等人,2016b;Jardine等人,2006年),但PHM的重点是在不确定性条件下预测RUL(Jha等人,2016a;Kanso等人,2022年)。预测方法通常分为基于模型、数据驱动和混合三种类型(Sikorska等人,2011年)。混合方案结合了在线测量和先验物理知识,使用观测器/估计器来推断设备健康状态(SoH),然后再利用这些信息预测RUL;然而,这些方法通常需要退化模型(Chelouati等人,2021年;Thuillier等人,2024年;Kanso等人,2022年)。在PHM中,有三个任务方向对本综述尤为重要:剩余使用寿命(RUL)预测旨在估计达到预定故障阈值之前的时间、周期或使用期限;健康状态(SoH)跟踪则用于估计资产当前的退化程度,相对于健康状态和寿命结束状态而言。虽然SoH和RUL相关,但它们并不相同:SoH描述的是当前状态,而RUL是一个面向未来的预测指标,取决于当前健康状况和未来的运行条件(Sikorska等人,2011年;Jha等人,2016a;Kanso等人,2022年)。异常检测在PHM中也需要仔细分析:数据级异常指的是测量信号本身的异常现象,例如异常值、缺失段、校准偏差或传感器故障;而设备级异常指的是由异常操作、初期故障发展或退化引起的系统行为变化。这两种异常不应混淆:模型可能会检测到异常数据,但资产本身可能并未损坏;反之,初期故障可能仅通过微妙的分布变化表现出来,而不是明显的信号异常。这种区分对于无监督学习和生成型QDNN尤为重要,因为跨学科读者可能会对它们的输出产生误解。

在过去十年中,基于DNN的方法已成为建模非线性和非平稳机械退化过程的强大工具(Fink等人,2020年)。在预测领域,基于DNN的方法与基于物理的或混合方案的不同之处在于,它们直接学习多变量传感器测量值与期望RUL目标之间的映射,无需依赖显式的物理模型或经验得到的退化模型(de Beaulieu等人,2022a;de Beaulieu等人,2024年),从而实现了从多变量时间序列测量到RUL的端到端映射,而无需显式的物理模型或经验模型(Schmidhuber,2015年;Fink等人,2020年;de Beaulieu等人,2022a;de Beaulieu等人,2024年;de Beaulieu等人,2022a;de Beaulieu等人,2024年)。基于CNN的回归和循环架构(特别是LSTM)已在C-MAPSS和电池数据集上得到了广泛研究,后续的CNN改进、CNN-LSTM混合模型以及注意力机制在变化运行条件和长序列数据下提升了性能(Babu等人,2016年;Yuan等人,2016年;de Beaulieu等人,2022b;Zheng等人,2017年;Wu等人,2018年;Wang等人,2018年;Liu等人,2017年;Li等人,2018年;An等人,2020年;Bahdanau等人,2014年;da Costa等人,2019年;H. Zhang等人,2020年;Z. Chen等人,2020年;Xiang等人,2020年)。这种端到端的学习能力使得即使在复杂的退化模式下也能实现准确的健康状态估计和长期RUL预测,为完全数据驱动的PHM框架铺平了道路。尽管这些数据驱动方法有效,但它们通常需要大量的历史数据、复杂的预处理过程、稳健的目标构建以及针对泄漏和运行条件变化的严格控制,这促使人们探索更紧凑、更高效的计算范式,如量子深度学习。

图1展示了PHM的核心任务和工作流程,包括原始数据采集和预处理、特征提取,以及将数据输入DNNs,进而通过单步或多步预测得出设备健康状态(SoH)或剩余使用寿命(RUL)。从应用角度来看,PHM为测试混合量子模型提供了一个非常有意义的场景。首先,许多物理资产管理(PHM)任务依赖于多变量传感器信号,这些信号的退化特征是非线性的,通常是非平稳的,并且随时间、传感器和操作状态而强烈耦合。其次,带有标签的故障运行轨迹往往很少或难以获得,这使得紧凑模型和数据高效的特征映射变得很有吸引力。第三,PHM决策理想情况下不仅需要一个点估计,还需要某种置信度或不确定性的概念。这些特点并不证明量子模型一定是更好的选择,但它们确实解释了为什么量子深度神经网络(QDNNs)在PHM中受到了关注:量子特征映射、纠缠变换和基于测量的输出的结合为建模复杂的退化模式提供了一种潜在的紧凑途径(Abbas等人,2021年;Bharti等人,2022年;Caro等人,2021年)。在这种背景下,QDNNs已经开始作为某些PHM任务的紧凑混合替代方案出现。Silva和Droguett(2022年)的早期工作提出了第一个面向PHM的混合量子-经典框架,并以滚珠轴承健康状态诊断问题为例进行了说明。后续研究探索了使用浅层前馈量子回归器和混合序列模型进行电池健康预测;例如,Ngo等人(2023年)使用基于PQC的回归器对锂离子电池容量退化进行了建模,而Soon和Soon(2025年)提出了一种用于电池老化的序列QNN-GRU架构。更近期的工作引入了量子循环架构(QLSTM、QGRU)、基于QCNN的模型以及基于注意力的量子序列模型,应用于轴承、电池、PEMFC和涡轮风扇发动机(Tsurkan等人,2025年;Wang等人,2024年;Xiang等人,2018年;Liang等人,2025年;Zaid等人,2024年;Y. Chen等人,2020年)。总体而言,这些研究表明QDNNs是一个有前途的PHM研究方向,特别是在紧凑性和混合可组合性方面,尽管它们是否系统性地优于强大的经典基线尚未得到证实。在回顾正在为预测开发的各种QDNN之前,我们使用一个统一的数学视角强调了前者对后者的相关性。设X1:T=(x1,…,xT)表示一个多变量退化轨迹,y表示一个PHM目标,如剩余使用寿命(RUL)、健康状态(SoH)、异常分数或健康状态标签。一个通用的混合QDNN可以表示为y?=hωμΘ(X1:T),μΘ(X1:T)=[Tr(O1ρΘ(X1:T)),…,Tr(OmρΘ(X1:T))],其中ρΘ(X1:T)是由选定的编码和可训练电路准备的量子状态,{Oj}j=1m是可测量的可观测量,hω(?)表示可选的经典后处理。换句话说,量子模块从编码的退化数据学习到一个结构化的转换,然后将这些转换映射到所需的PHM输出。本文回顾的架构家族主要在ρΘ(X1:T)的结构上有所不同。例如,前馈QNN对固定特征向量或短时间窗口应用一次性转换,循环模型随时间重用共享的量子单元,QCNNs施加局部性和分层池化,生成模型学习健康/退化行为的密度或潜在表示,基于注意力的模型在时间步骤或传感器通道之间执行上下文依赖的混合。因此,它们的区别不仅仅是分类上的;它们对应于关于退化信息组织方式的不同归纳偏见。这种区别在PHM中尤为重要,因为预测任务是异构的。当输入是一组紧凑的健康指标时,前馈QNN可能就足够了。当退化在长时间范围内发生时,循环或基于注意力的量子混合模型更为自然。当局部相关性占主导地位时,例如在相邻时间窗口或时频块中,QCNN类型的局部性变得相关。当目标是异常检测或罕见故障建模而不是直接RUL回归时,生成架构更为合适。因此,QDNNs在PHM中的动机来自于特定架构的归纳偏见与问题结构之间的潜在匹配,而不是假设量子模型自动优于经典模型。量子机器学习(QML)和PHM交叉领域的文献正在迅速发展。一般的QML调查继续强调算法、理论或物理方面的内容,而不是PHM应用(Dunjko和Briegel,2018年;Cerezo等人,2021年;Schuld等人,2015年)。最近,关于用于能量存储健康预测和优化的量子机器学习的以电池为中心的综述开始出现(Khakpour Komarsofla和Kiani,2026年),这证实了该领域的增长,但也突显了其围绕特定资产类别的当前碎片化。然而,文献中仍然缺乏一个按QDNN架构和PHM任务明确组织的教程式全面综述。特别是,仍然需要一个统一的全面总结,同时解释QDNNs的数学基础,区分不同的架构家族,并批判性地评估它们在RUL预测、SoH估计、异常检测和异构PHM环境中的退化预测方面的实用性。为了满足这一需求,本文提供了关于预测的量子深度学习架构的结构化、教程式综述,主要贡献包括:•对基本量子计算概念及其与经典深度学习结构的对应关系的简洁介绍,涵盖量子比特、量子测量、PQC和混合量子-经典训练,以帮助新研究人员快速建立对量子DNN的直觉;•对所有提出的用于预测的QDNN方法的系统调查,包括前馈、循环、卷积、生成和基于注意力的架构,总结数据集、电路设计以及在特定编码/方法下报告的实证改进(性能提升或参数效率);•精确识别现有的科学空白、挑战和开放的研究机会,以指导量子增强PHM的未来发展。本文以精确的方式识别了现有的科学空白,并提出了量子增强预测领域的未来研究方向。通过这项工作,我们旨在为PHM和量子计算社区的读者提供理解、设计和评估量子增强预测系统所需的概念工具。需要注意的是,本文并不预先假设量子模型在PHM任务上优于经典深度网络。相反,它通过三个互补的问题来审视当前文献:(i) 哪些QDNN架构实际上已被用于PHM相关任务;(ii) 在什么编码、数据集和基准测试条件下,它们表现出了竞争性行为;(iii) 在能够做出关于鲁棒性、可扩展性或量子优势的更强断言之前,还缺少什么。这种区分是必要的,因为当前的证据基础是异构的,仍然在很大程度上受到NISQ时代实现的限制。本文的其余部分组织如下。第2节介绍了理解QDNN所需的基本量子计算概念,第3节回顾了主要的QDNN模型家族和训练原则,然后第4节回顾了基于之前介绍的QDNN模型的预测工作并总结了代表性研究。此外,第5节讨论了量子增强预测中的现有挑战,第6节概述了新兴的机会和未来方向。最后,第7节得出结论。

**量子计算基础**
量子计算在三个方面不同于经典计算:(i) 通过量子状态(量子比特)而不是比特进行表示;(ii) 通过可逆幺正操作(以及实际中的噪声量子通道)而不是不可逆的布尔逻辑进行演化;(iii) 测量产生概率结果和期望值而不是确定性输出。以下小节介绍了这些决定了量子深度神经网络(QDNNs)算法基础的原则。

**量子深度神经网络架构**
QDNNs将PQC与经典预处理和后处理组件结合在一起,形成了可以通过之前介绍的变分优化工作流程端到端训练的混合架构。本节提供了主要QDNN架构的简洁而全面的概述,阐明了它们的操作原理,并将其与经典对应物进行了比较。此外,它还回顾了使用每种相应结构的现有预测导向研究。

**使用各种QDNNs进行预测**
本节按架构家族回顾了与PHM相关的QDNN研究。根据任务的不同,输入可能是低维健康指标、手工制作的特征窗口或多变量时间序列,而输出可能是健康状态标签、SoH轨迹、RUL估计、退化趋势预测或异常分数。因此,并非所有这里回顾的研究都具有相同的数学形式:前馈和循环量子模型通常用于监督学习。

**量子预测中的现有挑战**
到目前为止,量子预测最好被视为NISQ时代多变量、序列性且常常涉及安全关键性的可靠性数据的变分量子机器学习的实例。它因其紧凑的参数化、表达力强的特征映射和本质上概率性的输出而具有吸引力。然而,这些优点必须与许多小型QML基准测试中更为严重的瓶颈相权衡。在PHM中,编码、可训练性、噪声、运行时间和评估协议紧密相关。

**新兴机会和未来方向**
尽管第5节讨论了挑战,量子预测仍然是一个科学上富有成效的领域,因为该领域仍处于硬件能力、模型设计和PHM评估实践共同演进的早期阶段。短期内,最可信的进展不太可能来自完全用量子系统替换经典PHM流程。相反,进展更可能来自于共同设计的混合工作流程,其中量子组件和PHM相互配合。

**结论**
本文提供了关于用于预测和健康管理的量子深度神经网络(QDNNs)的教程式综述,围绕混合量子学习的数学基础和当前出现在PHM中的主要架构家族进行组织:前馈QNNs、量子循环模型、QCNNs、量子生成模型和基于注意力的量子架构。该综述的原创贡献在于其教程式风格、跨资产和以架构为中心的编写方式。

**CRediT作者贡献声明**
Mayank Shekhar Jha:撰写——审阅与编辑、撰写——原始草稿、方法论、概念化。Sameul Yen-Chi Chen:撰写——审阅与编辑、撰写——原始草稿。Chetan Kulkarni:验证。Joongheon Kim:撰写——审阅与编辑。

**写作过程中生成AI和AI辅助技术的声明**
在准备这项工作时,第一作者使用了ChatGPT-5来提高语言质量,并在某些地方使内容更加简洁。使用该工具/服务后,第一作者根据需要审阅和编辑了内容,并对已发表文章的内容负全责。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号