量子与经典机器学习神经精神疾病分类对比研究

2026年10月16日，arXiv Artificial Intelligence 刊出 Utsav Poudel 等作者的对比研究，在四个公开队列共 4,308 名被试上，以相同相关性特征比较六类量子模型与经典模型在神经精神疾病分类上的表现。结果显示，量子核与匹配的经典核在四个队列上均无统计显著差异，平均准确率差在 95% 置信度下不超过 1.4 个百分点。在 ABIDE I 队列上，混合量子卷积网络准确率与经典版相当（0.645 对 0.641），可训练量子核 AUC 高出 0.064，但没有任何模型能持续超越经典模型。研究据此认为，在特征匹配条件下，量子模型未展现出对经典模型的稳定优势。此前该事件尚无其他报道，本次为首次披露。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。