混合量子循环神经网络用于涡扇发动机剩余使用寿命预测

《Algorithms》：Hybrid Quantum Recurrent Neural Network for Remaining Useful Life Prediction of Turbofan Engines

　　

对安全关键机械剩余使用寿命（RUL）的准确估计是现代可靠性与风险管理策略的基石。研究人员提出一种混合量子循环神经网络（HQRNN）用于NASA C-MAPSS FD001基准上的喷气发动机RUL预测。HQRNN堆叠量子长短期记忆（QLSTM）层，将每个LSTM门中的线性变换替换为量子深度注入（QDI）电路，其后接经典全连接层。在匹配参数量下，HQRNN较匹配参数量的堆叠LSTM循环神经网络在10个随机种子上平均RMSE与平均MAE改善约5%，测试RMSE达到优于随机森林、CNN与MLP基线的水平。ZX演算、Fisher信息与傅里叶分析表明QDI电路紧凑、可训练且具表达能力。先进联合深度学习模型仍优于独立HQRNN，说明量子增强循环模块宜作为复合预测流水线中的组件而非独立预测器。

研究背景方面，安全关键机械剩余使用寿命（RUL）准确估计是航空推进系统安全运维与成本效益维护的核心。传统统计方法在非线性相互依赖的航天数据上表现受限，经典机器学习受限于有限或含噪的失效全程数据、高维特征空间与复杂故障动态。量子机器学习（QML）借助希尔伯特空间高位编码，可用更少参数表示复杂模式，混合量子-经典神经网络（HQNN）在工业预测性维护中具潜在价值。然而量子-经典混合方法在涡轮风扇RUL预测中仍处早期阶段，且在C-MAPSS标准协议下与经典及联合前沿模型在匹配参数量下的系统基准测试此前未见报道。该研究即在FD001子集上填补这一空白，论文发表于《Algorithms》。

关键技术方法上，研究人员采用NASA C-MAPSS FD001涡扇发动机机队运行至失效时间序列（100台发动机，14个有效传感器通道，窗口长度30周期，分段线性RUL标签阈值125周期），以PennyLane lightning.qubit无噪声态矢量模拟实现四量子比特QDI电路，将QLSTM各门线性变换替换为QDI层，后接经典稠密回归头；在匹配参数量（6793可训练参数）下与经典LSTM类RNN对照，10种子重复训练，Adam优化MSE损失，并以ZX演算、Fisher信息矩阵与傅里叶级数分解对量子电路做电路级分析。

研究结果部分，第二章数据集与问题建模中，研究人员界定FD001单工况单故障模式特性，剔除常值通道得14维传感器输入，确立窗口监督学习框架与分段线性退化目标。第三章混合量子循环神经网络架构中，给出HQRNN三层QLSTM（隐维32-16-8）加经典稠密头结构；QLSTM单元先作经典线性投影分四门，每门经四量子比特QDI电路（含R_x编码与R_y变分块、CNOT环、Pauli-Y观测）再经共享读出，量子部分仅占约千余可训练角参。第四章实验设置与结果中，10种子下HQRNN较匹配参数RNN-20-16-4-8-16将测试RMSE由约某值降至某值（改善约5%，配对t检验显著，9/10种子更优），MAE同步下降，验证集经典RNN略低但测试集HQRNN泛化更优；CPU模拟训练慢约数十倍、推理慢数倍、内存高数倍，优势在参效而非算力。第五章量子电路分析中，ZX演算显示8参数不可再删减；Fisher谱在合成高斯与真实C-MAPSS记录输入下均无近零特征值的贫瘠高原迹象；傅里叶分析显示161个频率分量中109个幅值非零，电路具高频表达力。第六章讨论中指出HQRNN参效优势源于QDI引入的平滑富傅里叶归纳偏置，适合小样本退化管理；其应作Transformer或注意力联合架构中的量子增强循环组件而非独立预测器；并明确四量子比特浅电路在NISQ硬件的误码预算、读数保真度、有限shot与纠错路线。第七章结论重申在匹配参数下HQRNN较经典LSTM类平均RMSE/MAE改善约5%，电路级分析支持其紧凑可训表达力强，但联合深度学习仍优，量子递归模块价值在于数据稀缺下的参效压缩与未来原生量子执行前景。

讨论与结论翻译部分，研究人员强调可靠RUL预测在短、噪、稀缺失效记录下是预测健康管理持久障碍，HQRNN以显著更小参数预算匹配或超越同等规模经典LSTM基线，在FD001上匹配参数下平均RMSE与MAE改善约5%。四项贡献为：提出QLSTM门内嵌QDI的混合递归架构并用于涡扇RUL；建立十种子显著性的匹配参数基准；用ZX、Fisher、傅里叶三级电路分析解释紧凑电路稳定训练原因；量化计算开销并给出噪声硬件门保真度、连通性、有限shot与误差缓解要求。更广泛含义为：混合量子模型在数据稀缺下的实际优势是参数效率；QLSTM可作经典循环块替身嵌入当前最优联合流水线；电路级三分析为量子增强序列模型提供设计指引。研究人员明确先进联合架构仍胜独立HQRNN，所报增益反映参数效率而非已证量子机制，向FD002-004扩展及噪声硬件落地是自然下一步。