Modeling Quantum Machine Learning for Genomic Data Analysis

要約

量子機械学習 (QML) は進化し続け、さまざまなアプリケーションに新たな機会をもたらします。
この研究では、さまざまな特徴マッピング手法を使用して、ゲノム配列データのバイナリ分類に対する QML モデルの適用性を調査および評価します。
ベンチマーク ゲノム データセットで実験を行うための、オープンソースの独立した Qiskit ベースの実装を紹介します。
私たちのシミュレーションにより、特徴マッピング技術と QML アルゴリズムの間の相互作用がパフォーマンスに大きく影響することが明らかになりました。
特に、Pegasos Quantum Support Vector Classifier (Pegasos-QSVC) は高い感度を示し、特にリコール メトリクスで優れており、量子ニューラル ネットワーク (QNN) はすべての特徴マップにわたって最高のトレーニング精度を達成します。
ただし、特徴マッピングに応じて分類器のパフォーマンスに顕著なばらつきがあるため、特定のシナリオでは局所的な出力分布に過剰適合するリスクが浮き彫りになります。
この研究は、ゲノムデータ分類における QML の変革の可能性を強調すると同時に、これらの方法論の堅牢性と精度を強化するための継続的な進歩の必要性を強調しています。

要約(オリジナル)

Quantum Machine Learning (QML) continues to evolve, unlocking new opportunities for diverse applications. In this study, we investigate and evaluate the applicability of QML models for binary classification of genome sequence data by employing various feature mapping techniques. We present an open-source, independent Qiskit-based implementation to conduct experiments on a benchmark genomic dataset. Our simulations reveal that the interplay between feature mapping techniques and QML algorithms significantly influences performance. Notably, the Pegasos Quantum Support Vector Classifier (Pegasos-QSVC) exhibits high sensitivity, particularly excelling in recall metrics, while Quantum Neural Networks (QNN) achieve the highest training accuracy across all feature maps. However, the pronounced variability in classifier performance, dependent on feature mapping, highlights the risk of overfitting to localized output distributions in certain scenarios. This work underscores the transformative potential of QML for genomic data classification while emphasizing the need for continued advancements to enhance the robustness and accuracy of these methodologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google