量子机器学习应用于泰坦尼克号沉没事件
量子物理
2025-09-03 v1
摘要
这项工作研究了应用于涉及titanic3数据集的监督学习任务的混合量子-经典变分分类器的性能。量子模型使用基于泡利纠缠和非纠缠扩展的特征映射以及具有多达50个变分参数的RealAmplitudes拟设来构建。模型训练采用COBYLA无梯度优化器，在理想的状态向量模拟框架内最小化交叉熵损失。对比性能分析表明，基于非纠缠特征映射的模型始终优于基于纠缠特征映射的模型，在超过15到20个参数后，分类指标（准确率、平衡准确率和约登指数）达到饱和。此外，两个量子模型与一个经典支持向量分类器（SVC）进行了基准测试。虽然两种方法在多种训练集大小下产生了相似的预测性能，但当使用90%的数据集进行训练时，经典模型出现了性能崩溃，而这种失效模式在量子分类器中并未出现。这些结果强调了变分量子分类器在NISQ时代对经典数据集进行二分类任务的鲁棒性和可行性。
引用
@article{arxiv.2509.00916,
title = {Quantum Machine Learning Applied to the Sinking of the Titanic},
author = {Luiz Henrique Prudencio dos Santos and Eliane F. Chinaglia and Jessica Fleury Curado and Marcilei A. Guazzelli and Mariana Pojar and Sueli Hatsumi Masunaga and Roberto Baginski Batista Santos},
journal= {arXiv preprint arXiv:2509.00916},
year = {2025}
}
备注
Submitted to the Brazilian Journal of Physics special issue on the 100 Years of Quantum Mechanics