面向量子机器学习的特征图建模
机器学习
2025-01-15 v1 人工智能
摘要
量子机器学习 (QML) 对于复杂任务（如基因组序列分类）具有显著潜力，但 NISQ 设备上的量子噪声在实际应用中提出了挑战。本研究系统评估了包括退相干、幅度耗尽、去相位、热噪声、比特翻转和相位翻转等多种量子噪声模型对关键 QML 算法（QSVC、Peg-QSVC、QNN、VQC）和特征映射技术（ZFeatureMap、ZZFeatureMap 和 PauliFeatureMap）的影响。结果表明，QSVC 在噪声环境下表现突出，而 Peg-QSVC 和 QNN 则较为敏感，尤其对去相干和幅度耗尽噪声最为敏感。PauliFeatureMap 尤其脆弱，凸显了在嘈杂条件下保持准确分类的难度。这一发现凸显了特征图选择和噪声缓解策略在优化面向基因组分类的 QML 方面的关键重要性，为个性化医疗提供了前景。
引用
@article{arxiv.2501.08205,
title = {Modeling Feature Maps for Quantum Machine Learning},
author = {Navneet Singh and Shiva Raj Pokhrel},
journal= {arXiv preprint arXiv:2501.08205},
year = {2025}
}