近日，综合极端条件实验装置（SECUF）依托中国科学院物理研究所，与北京量子信息科学研究院、清华大学等单位共建的Quafu量子计算云平台在量子金融应用领域取得重要进展。一方面，依托Quafu提供的超导量子真机算力，华夏银行股份有限公司、龙盈智达（北京）科技有限公司、华翊博奥（北京）量子科技有限公司联合建设的“量子金融云平台V1.0”成功通过中国软件评测中心课题验收测试；另一方面，依托位于SECUF C2超导量子计算实验站的ScQ-P21超导量子处理器，研究人员实现了混合量子-经典神经网络少样本信用风险评估，相关成果于发表于Chinese Physics B。

一、超导量子真机算力接入：Quafu提供关键支撑

量子金融云平台的建设，离不开Quafu所提供的超导量子计算支撑。Quafu作为SECUF面向用户开放的重要量子计算云平台，为金融云平台接入超导量子计算机提供了稳定可靠的真机算力通道。与传统印象中“高深、遥远”的量子技术不同，这一金融平台更像是一个面向金融行业的“统一服务窗口”。平台支持用户在同一入口下，根据不同业务需求调用不同量子计算资源，既能接入超导量子计算机、光量子计算机和离子阱量子计算机，也能提供量子模拟算力服务。其中，超导量子算力部分即由Quafu提供支撑。平台已经实现登录、账户信息查看、任务提交、运行状态查看和结果展示等功能，让量子算力从实验室设备进一步变成可操作、可体验、可验证的平台能力。

Quafu的支撑价值，还体现在它回应了金融机构发展量子技术时面临的现实难题。当前金融机构普遍面临“算力建设难、算法研发难、应用场景难”的三大挑战，课题团队围绕“多类型量子云算力、多领域量子金融算法、多场景量子金融解决方案”展开建设，而Quafu提供的超导量子云算力正是其中不可或缺的一环，有利于降低金融机构接触和使用量子技术的门槛，让量子技术更贴近实际业务。

二、多场景金融应用验证：Quafu助力量子算力落地金融业务

依托Quafu等提供的多元量子算力，量子金融云平台已对应到多个具体金融场景。在数据安全方面，平台面向商业银行联合风控、联合建模等需求，支持通过量子直接通信设备安全传输跨机构资金流水数据，并输出联合风控结果。在风险识别方面，平台支持商业银行欺诈识别场景，能够输出375个关联节点的识别结果。在业务定价方面，平台可在设定风险控制条件下，输出10个项目的利率定价结果。在智能分析方面，平台可用于客户情感分析和金融市场资讯分析，相关测试结果均达到并超过课题预期目标。在智能服务方面，平台已经支持金融行业智能聊天机器人问答功能。

其中，面向客户情感分析场景，平台在200条训练样本下的综合识别效果指标达到0.9899，在240条测试数据上的指标达到0.9433。面向金融市场资讯分析场景，平台在200条训练样本下的综合识别效果指标达到0.9406，在230条测试数据上的指标达到0.8716，均高于课题预期目标。平台已经能够较好识别客户反馈中的情绪变化，也能较好分析金融资讯中的信息倾向，为银行服务优化和市场研判提供有力支持。

除场景验证外，在Quafu等平台的支撑下，项目课题在成果产出方面也已有较为扎实的积累。目前已提交申请4项专利，取得6项软件著作权，发表13篇论文，并已在国家金融科技风险监控中心、光大科技有限公司、农银金融科技有限公司开展试点推广，持续形成可推广、可复制的应用成果。

三、量子神经网络信用风险评估：Quafu超导处理器上的真机实验验证

在量子金融云平台建设之外，Quafu还直接支撑了量子金融算法的前沿研究。北京量子信息科学研究院、龙盈智达（北京）科技有限公司、中国科学院物理研究所等机构的研究人员，利用Quafu平台的ScQ-P21超导量子处理器，提出并验证了一种面向少样本信用风险评估的混合量子-经典神经网络方法，相关成果以“Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment”为题发表于Chinese Physics B。该研究瞄准普惠金融中数据稀缺导致传统模型受限的难题，展示了量子机器学习在小样本金融场景中的实用潜力。

该方法采用“经典-量子”协同的工作流程：首先利用经典模型集成（逻辑回归、随机森林、XGBoost）进行特征工程与降维，将原始数据压缩为三维稠密特征表示；随后将其作为量子神经网络（QNN）的输入，通过参数移位法则训练QNN作为核心分类器。研究基于来自零售与批发行业的279条真实信贷数据（其中41条违约样本，违约率约14.6%），开展了10折分层交叉验证。模型训练全程借助PyQuafu软件工具包完成，该工具包与PyTorch深度学习框架无缝集成，可将量子电路直接实现为可微分的神经网络模块，极大简化了混合量子-经典模型的构建与训练。

在数值模拟中，QNN模型取得了平均AUC 0.853±0.025的稳健性能。更为关键的是，研究团队将实验从模拟器迁移到Quafu平台的ScQ-P21超导量子处理器上进行真机验证。为适应NISQ器件的硬件约束，研究人员对QNN架构进行了针对性简化——仅使用超导硬件上误差率较低的RY门构建参数化层，并大幅缩减电路深度。尽管架构简化且存在固有硬件噪声，真机实验仍取得了AUC 0.89的优异表现，不仅超过了无噪声模拟的平均性能，也全面超越了逻辑回归（0.844）、XGBoost（0.806）、神经网络（0.82）等经典方法，并取得了高召回率，这对于风控中减少漏判至关重要。研究还发现，硬件噪声可能起到了正则化作用，防止模型在小训练集上过拟合——这表明简化的、硬件适配的量子模型可以非常高效，为NISQ时代的量子金融应用提供了务实的范例。

四、面向未来：Quafu将持续赋能量子金融应用发展

此次量子金融云平台通过课题验收测试，以及量子神经网络信用风险评估研究的发表，意味着Quafu在支撑量子技术走向金融实际应用方面迈出了重要一步。它让人们看到，量子技术并不只是停留在科研论文和实验装置中，也可以逐步进入金融风控、业务定价、文本分析和智能服务等具体场景。

展望未来，Quafu作为SECUF的重要组成部分，将在量子计算应用落地方面持续发挥关键作用。依托超导量子计算等核心能力，Quafu有望在提高金融服务效率、增强数据安全保障、支持金融创新方面释放更大价值，降低金融机构接触和使用量子技术的门槛，为我国金融科技发展注入新的动力。

相关内容详见：

文章链接：Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment | Chinese Physics B | https://iopscience.iop.org/article/10.1088/1674-1056/ae2115