面向脉冲候选人的混合量子-经典逻辑回归
量子物理
2026-05-11 v1
摘要
可靠的脉冲候选人排序需要判别性且良好校准的概率估计。我们在不平衡HTRU-2数据集上评估混合量子-经典逻辑回归，使用三种量子特征编码：角编码、幅值编码及数据重上传。模型采用解析梯度训练，并在配对随机种子协议下与经典基线及量子支持向量机参考模型进行比较。评估包括稀有事件判别、低假阳性率恢复、概率校准及运行时分析。角编码在量子逻辑回归变体中给出最强性能。在浅层深度处，角编码模型在判别及低假阳性率恢复方面接近最佳经典基线，同时给出基准配置下的最低校准误差。Murphy分解显示，角编码模型在电路深度及训练集大小变化下保持低可靠性误差及高稳定分辨率。这意味着其概率估计既保留校准，又保留候选人群间的有意义分离。数据重上传在小深度下具竞争力，但在当前多量子比特实现中深度增大时判别及分辨率下降，幅值编码在数据集大小方面始终较弱。浅层角编码量子逻辑回归因此在所测试的量子逻辑回归模型中给出最佳平衡，尽管仿真运行时仍是实用限制因素。
关键词
引用
@article{arxiv.2605.07868,
title = {Systematic frequency-collision analysis of the cross-resonance gate outside the straddling regime},
author = {Shinichi Inoue and Shotaro Shirai and Shuhei Tamate and Shu Watanabe and Kohei Matsuura and Rui Li and Yasunobu Nakamura},
journal= {arXiv preprint arXiv:2605.07868},
year = {2026}
}