用于工业物联网中实时异常检测的量子增强型脉冲智能框架

《Scientific Reports》：Quantum-enhanced spiking intelligence framework for real-time anomaly detection in industrial internet of things

　　

摘要

工业物联网（IIoT）中的异常检测同时面临着时间一致性、计算延迟控制以及高维异构传感器数据表示等方面的挑战。要解决这些难题，需要开发出能够在处理非平稳数据流的同时保持有限的推理时间并保留传感器间依赖关系的模型。本文提出的量子增强型脉冲神经网络（QESNN）将参数化的量子电路与事件驱动的脉冲计算集成到一个统一的推理框架中。该架构包含五个计算模块： - **量子神经元融合模块**：将多模态传感器观测数据映射到振幅-相位量子态，并通过非线性幺正变换生成多通道的联合特征表示； - **基于纠缠的设备同步模块**：利用纠缠态、相干性控制操作及相关性来实现节点间的相位对齐； - **概率量子脉冲异常检测模块**：基于隧穿效应计算脉冲概率，并结合保真度和熵度量来评估异常发生的可能性； - **自适应量子学习优化模块**：通过时变哈密顿动力学及退火策略和反馈校正机制调整模型参数，以确保在动态环境中的稳定收敛； - **量子退相干管理模块**：模拟噪声的影响，运用相干性控制操作并进行可靠性检查，以在外部干扰下维持稳定的量子态计算。 在MVTec异常检测数据集上的测试表明，该模型使用512个逻辑量子脉冲单元时，分类准确率达到98.7%，推理时间为3.29秒。通过消融实验分析了各组件的影响：移除量子神经元融合模块后，分类准确率为92.5%；而移除量子退相干管理模块后，分类准确率降至最低的88.9%。