脑启发式量子机器学习架构及其在天文分类中的基准测试

《Astronomy and Computing》：Brain-inspired quantum machine learning architecture and its benchmarking on astronomical classification

　　

自动分类恒星、星系和类星体（Quasi-Stellar Objects, QSOs）对于大规模天文巡天至关重要，其中可靠的分类器必须在巡天版本发布、类别不平衡和不完整的观测输入下保持稳定。在这项工作中，研究人员提出一个脑启发式量子机器学习（Brain-Inspired Quantum Machine Learning, BIQML）框架，用于斯隆数字巡天（Sloan Digital Sky Survey, SDSS）恒星-星系-QSO分类，作为迈向下一代测光管线鲁棒源分类的一步。该模型结合了一个脉冲漏积分激发（Leaky Integrate-and-Fire, LIF）控制器与一个经典模拟的变分量子电路（Variational Quantum Circuit, VQC），其中控制器使用测量反馈依次选择量子门；所有电路均为经典模拟，且不声称硬件级量子优势。该框架在SDSS DR17上训练和内部测试，使用SDSS DR14作为外部跨版本测试集，并与包括随机森林（Random Forest）、极端随机树（Extra Trees）、直方图梯度提升（HistGradientBoosting）、逻辑回归（Logistic Regression）、线性支持向量机（Linear Support Vector Machine）和多层感知机（Multilayer Perceptron）分类器在内的广泛基线在重复十次分割协议下进行基准测试，并进行配对统计显著性检验。在全特征设置下，BIQML在统计上与最强的经典基线相当，在SDSS DR17上达到97.36±0.05%的准确率（平衡准确率96.90%），在外部SDSS DR14测试集上达到98.76±0.09%的准确率（平衡准确率98.41%），而领先的树集成模型分别达到97.3–97.8%和98.8–99.4%。为了探究关键观测通道不可用时的鲁棒性，研究人员引入了一个低传感器（g,r,i）无红移设置，其中移除了光谱红移、u波段、z波段和元数据。在这种减少特征条件下，BIQML在单个受控分割上仍保持在前列模型之中（平衡准确率0.805，而经典基线为0.64–0.80），在SDSS DR17上达到85.58%的准确率，在SDSS DR14上达到93.44%的准确率，表明当判别信息稀缺时，它仍保持竞争力，退化程度不超过最强的集成模型。组件级消融实验分离了VQC、脉冲控制器和测量反馈回路的贡献，而解析噪声筛选和有限-shot、IBM校准的设备噪声基准均显示，BIQML预测在代表性的去极化、振幅阻尼、读出和现实NISQ风格噪声通道下保持稳定。这些结果共同将BIQML定位为一种在跨版本偏移和有限观测信息下用于天文源分类的竞争性且鲁棒的量子启发式架构。

本文围绕脑启发式量子机器学习（BIQML）架构及其在斯隆数字巡天（SDSS）恒星-星系-类星体（QSO）分类任务中的鲁棒性展开研究。研究背景方面，大规模天文巡天产生海量数据，自动源分类是基础任务，现有机器学习方法在相同巡天版本内表现良好，但跨版本鲁棒性不足，且对不完整观测输入（如光谱红移缺失或特定测光波段不可用）的鲁棒性研究较少。因此，研究人员提出BIQML框架，旨在解决跨巡天版本分布偏移和有限观测信息下的鲁棒分类问题。研究人员在SDSS DR17（99,872源）上训练，SDSS DR14（10,000源）作为外部跨版本测试集，与随机森林、极端随机树、直方图梯度提升、逻辑回归、线性支持向量机和多层感知机等六种经典基线进行全面对比，通过重复十次分割协议和配对统计显著性检验评估。在全特征设置下，BIQML与最强树集成模型统计学相当（DR17准确率97.36%，DR14准确率98.76%）；在低传感器（g,r,i）无红移应力测试中，BIQML在单一控制分割上排名第一（平衡准确率0.805）；组件级消融确认了变分量子电路、脉冲控制器和测量反馈的贡献；解析噪声筛选和有限-shot IBM校准设备噪声基准显示预测稳定。论文发表在《Astronomy and Computing》。

**关键技术方法概述**：BIQML架构包含三个核心组件：脑启发式脉冲特征压缩器、脉冲LIF控制器和经典模拟的变分量子电路（VQC）。特征压缩器通过层归一化和门控机制将输入映射到qubit对齐角度表示；脉冲LIF控制器基于压缩特征和先前测量反馈，在每个决策步骤为每个qubit从有限门池（8个门）中选择一个量子门并生成旋转参数，逐层构建电路；VQC通过经典态矢量模拟（PennyLane）执行，产生Pauli-Z期望值作为测量反馈，形成闭环；最终测量向量通过经典读出层分类。训练使用联合损失函数，包括分类交叉熵、策略梯度、价值基线等。数据来源为SDSS DR17和DR14，跨巡天版本测试，且已移除重叠源（128个）以防数据泄露。

**研究结果**：

4.1 实验协议和基线：所有模型在十次随机分割（种子42-132）下重复评估，训练/验证/测试分区一致，统计显著性通过配对t检验和Wilcoxon符号秩检验评估。类先验差异通过平衡准确率、宏观F1和OvR AUC报告。

4.2 全特征基准测试：BIQML在DR17内部测试集上达到97.36±0.05%准确率、96.90±0.08%平衡准确率、0.9697±0.05宏观F1；在DR14外部集上达到98.76±0.09%准确率、98.41±0.09%平衡准确率、0.9839±0.11宏观F1。与最强树集成模型（随机森林、极端随机树、直方图梯度提升）在统计上相当，显著优于逻辑回归和线性SVM（p<0.01）。类别性能均衡，QSO F1在DR14上达0.974。

4.3 低传感器g,r,i应力测试：移除红移、u波段、z波段和元数据，仅保留g,r,i测光及衍生特征。在单一受控分割上，BIQML平衡准确率0.8050，排名第一，高于直方图梯度提升（0.7986）和随机森林（0.7873），线性模型仅0.64–0.66。混淆矩阵显示QSO召回率下降（DR17上0.836，DR14上0.679），星系-QSO边界成为主要误差源。

4.4 组件级消融：在低传感器设置下，所有变体参数匹配（164,039个可训练参数）。完整BIQML在DR17上平衡准确率0.8016，高于替换为连续速率LIF控制器（0.7959）、移除VQC（0.7993）、移除测量反馈（0.7982）以及组合变体（0.7952）。在DR14外部集上，完整模型平衡准确率0.8630，除无反馈变体（0.8716）外均低于完整模型，表明二进制脉冲和VQC贡献一致，但反馈贡献在DR14上不统一。

4.5 计算成本：BIQML训练时间约18,513秒/分割，远高于基线（秒到分钟级），主要开销来自经典态矢量模拟；推理时间约57秒/2万源。参数数量168,647（全特征），与MLP（46,211）相当，但远大于树集成。

4.6 量子噪声筛选：在解析（无限-shot）去极化、振幅阻尼和读出噪声通道（强度0.5%、1.0%、2.0%）下，BIQML预测准确率、平衡准确率和宏观F1无变化。在有限-shot（256 shots）IBM校准噪声预设（轻、中、重、读出重）下，平衡准确率在DR17上保持0.9667，在DR14上保持0.9787，性能下降为0.000。稳定性归因于浅电路（n_q=6, T=5）和脉冲控制器的时间聚合。

4.7 定量跨巡天版本分布偏移：通过Kolmogorov-Smirnov统计量和Wasserstein距离量化DR17和DR14之间的特征分布差异。测光特征KS统计量0.69–0.72（p<10^-3），Wasserstein距离>1.6标准差单位，确认存在显著协变量偏移，表明BIQML的稳定性能反映真实跨版本泛化，而非仅类先验变化。

4.8 讨论：全特征设置下BIQML与最强模型相当，不声称绝对优势。低传感器设置下BIQML表现突出，组件消融确认完整架构优于各部分。类级结果指出红移是关键判别特征，缺失时星系-QSO混淆增加。有限-shot噪声基准显示决策级稳定性。整体结论是BIQML在跨版本分布偏移和有限观测信息下具有竞争性鲁棒性。

**结论**：研究人员介绍了BIQML，一种脑启发式量子机器学习架构，其中脉冲漏积分激发控制器通过测量反馈顺序构建经典模拟的变分量子电路，而非优化固定ansatz。应用于SDSS恒星-星系-QSO分类，通过重复十次分割全特征基准测试、低传感器g,r,i无红移应力测试和组件级消融进行评估，并辅以解析和有限-shot设备启发噪声筛选及明确的跨版本分布偏移分析。结果谨慎衡量：在全特征设置下，BIQML与最强经典表格模型统计相当，优于线性基线，但不声称决定性优势；在应力条件下，低传感器应力测试中排名靠前，且跨版本协变量偏移下保持高外部准确率。BIQML在非理想电路执行下也保持稳定：在解析筛选和有限-shot IBM校准基准（256 shots）中，训练模型在所有条件下保持平衡准确率（DR17 0.9667，DR14 0.9787），性能下降为0.000，这归因于浅设计（n_q=6, T=5）和中间测量的循环聚合。局限性包括：所有电路由经典态矢量模拟执行，无硬件级量子优势；解析筛选使用无限-shot期望值，不直接建立硬件容错性；低传感器应力测试基于单一受控分割；消融将十种子完整模型与单种子变体比较。计算成本方面，BIQML训练最昂贵，但主要由经典模拟主导，而非模型规模。未来方向包括在真实NISQ设备上进行硬件噪声表征、将重复分割协议扩展到低传感器设置、通过特征重要性分析扩展qubit数和决策步数，以及在更多巡天数据集上评估。