城市PM2.5预报换用量子退火：原始数据上相关性翻倍，172量子比特再配小波分解
核心概要
英国吉尔福德两座路边监测站的PM2.5小时数据上，量子神经网络在未经处理的原始序列上明显优于经典MLP与LSTM基线，深度4模型把皮尔逊相关从约0.29–0.31提高到0.599。加入五级离散小波分解后，172量子比特、深度4的模型在完整6小时预报窗口取得最高平均相关0.729与最低NMSE 0.488，但此时经典MLP已接近同一水平。该结果来自Dynex神经形态量子退火仿真平台，尚未在物理量子硬件上验证。
深度剖析
PM2.5临近预报多了一条不依赖人工特征工程的路线：量子神经网络可以直接从原始、未分解的小时污染物序列里学到动态。 此前主流做法是把经验模态分解或离散小波变换这类信号分解与CNN、RNN等网络耦合，精度提升换来的是计算复杂度和能耗的成倍增长。 在iSCAPE项目吉尔福德两座路边监测站的原始数据上，经典MLP与LSTM未能收敛到稳定表示，NMSE分别为1.236和1.299、相关约0.30；深度4量子网络在同一数据上相关达到0.599，约为LSTM的两倍。
模型规模可以推到172个逻辑量子比特，并在小波分解后的高维输入上取得该研究最好的预报精度。 近中期量子硬件受噪声、连通性和退相干限制，此前量子机器学习多停留在小规模或玩具问题上。 五级离散小波分解把每个原始特征的输入维度扩到六倍，172量子比特、深度4、回看2的配置在完整6小时窗口录得平均相关0.729、NMSE 0.488；同一设置下经典MLP为0.695和0.589，LSTM为0.703和0.563。
量子层通过把门电路翻译成能量最小化问题来训练，而不是在门参数空间里直接求梯度。 门级量子线路通常依赖连续量子演化与参数化门梯度，规模一大就受硬件相干时间约束。 DynexQML把线路编码为时间无关哈密顿量并映射成QUBO，用有限差分从量子能量空间取梯度；172量子比特、深度4的线路因门翻译开销膨胀为超过2200个互联退火变量，由神经形态仿真求基态。
启示与展望
结果覆盖英国吉尔福德Sutherland Memorial Park与Stoke Park两座路边监测站的小时级数据，预报窗口最长6小时，输入为PM2.5、CO、NO2、O3及气温、相对湿度、气压等变量。所有量子计算在Dynex神经形态量子退火仿真平台上完成，作者把在物理量子硬件上做基准测试列为下一步。
作者说明这些结果没有计入物理量子器件固有的噪声模型、有限连通性和退相干，因此仿真表现能否转化为真实物理量子优势仍待验证。作者还指出，小波分解在经典侧完成了部分特征分解后，量子模型与经典MLP的差距明显收窄；同时量子线路深度与性能呈非线性关系，回看1加小波时深度3优于深度4，提示参数过多而时间上下文不足可能带来收益递减。