为了减少广泛使用的动态模态分解算法所需的计算能力，中国的一支研究团队在郭国平的带领下开发了一种量子-经典混合算法。他们在数据去噪、场景背景提取和流体动力学分析等三个应用场景中测试了他们的算法。他们确定它可以仅使用少量样本进行操作，并在高维时间序列分析中具有量子优势。

他们的研究发表在《智能计算》上。

量子动态模态分解算法是用于加速高维时间序列分析的。通过减少对时间序列数据执行的操作的复杂性，它实现了指数级加速。在目前的形式下，它也可以用于加速其他某些类型数据集的分析。此外，研究人员计划创建其算法的新变体，专门用于其他动态模态分解应用，如库普曼分析。

量子算法的主要限制在于样本数量必须保持较少，否则算法的复杂性将无法降低，量子优势也将丧失。研究团队在设计算法时充分意识到了这一点，并因此对样本数量设定了上限，以确保强大的性能。

然而，合肥综合国家科学中心人工智能研究所的研究员薛成解释道：“通过数值实验，我们发现分析特定时间序列所需的样本数量低于我们推导出的上限，这进一步说明了我们算法的加速性能。”

为了测试改变样本数量的影响，研究人员在不同领域中探索了他们的量子算法的应用。第一个应用是数据去噪，类似于从图像中去除噪音的过程。第二个应用是场景背景提取，是计算机视觉中的常见任务。通过比较同一场景的一系列图像，去除前景项目的图像处理。第三个应用是流体动力学分析，用于预测气体或液体的运动。该算法成功完成了这些任务。

在许多可能的应用中，流体动力学尤其相关。“动态模态分解最初用于流场数据分析，”薛成解释道：“流体动力学的研究通常产生高维流场数据，数据维度可达十亿级。从这样的数据中提取有意义的流场特征是一个具有挑战性的问题。”

动态模态分解算法是时间序列分析中常用的因子分解和维度约简方法。时间序列分析是对时间序列进行数学或统计操作以发现重要信息的过程。

时间序列是按照时间等间隔采样而成的一系列数据，例如一个月内每个市场日结束时的股指数值，或一年内一个城市的平均日温度。

高维时间序列由每个采样时间点上许多信息组成，而不仅仅是一个。因此，高维时间序列的处理和分析更加计算密集。时间序列分析用于经济学、金融学以及各种科学和工程领域。

由于量子计算机仍处于发展中且相对难以得到，薛成对量子算法的工作进行了“理论推导加数值模拟”。但他表示，量子芯片技术正在与量子算法“相互协同”地发展，承诺在“不久的将来”带来“革命性突破”。

量子计算机的能力源自于超position和纠缠这两个逆直觉的特性，使它能够并行执行许多计算。但正如薛成提醒我们的，量子计算“只能加速特定问题，无法取代经典计算机”。