Modeling Feature Maps for Quantum Machine Learning

要約

量子機械学習 (QML) は、ゲノム配列分類などの複雑なタスクに大きな可能性をもたらしますが、ノイズのある中間スケール量子 (NISQ) デバイス上の量子ノイズが実用的な課題を引き起こします。
この研究では、位相ずれ、振幅減衰、偏光解消、熱雑音、ビットフリップ、位相反転を含むさまざまな量子雑音モデルが主要な QML アルゴリズム (QSVC、Peg-QSVC、QNN、VQC) および特徴マッピング技術 (ZFeatureMap、
ZZFeatureMap、および PauliFeatureMap)。
結果は、QSVC がノイズに対して特に堅牢であるのに対し、Peg-QSVC と QNN は、特に脱分極ノイズや振幅減衰ノイズに対してより敏感であることを示しています。
PauliFeatureMap は特に脆弱であり、ノイズの多い条件下で正確な分類を維持することが困難であることが浮き彫りになっています。
これらの発見は、ゲノム分類のための QML の最適化における特徴マップの選択とノイズ軽減戦略が非常に重要であることを強調しており、個別化医療への有望な影響をもたらします。

要約(オリジナル)

Quantum Machine Learning (QML) offers significant potential for complex tasks like genome sequence classification, but quantum noise on Noisy Intermediate-Scale Quantum (NISQ) devices poses practical challenges. This study systematically evaluates how various quantum noise models including dephasing, amplitude damping, depolarizing, thermal noise, bit-flip, and phase-flip affect key QML algorithms (QSVC, Peg-QSVC, QNN, VQC) and feature mapping techniques (ZFeatureMap, ZZFeatureMap, and PauliFeatureMap). Results indicate that QSVC is notably robust under noise, whereas Peg-QSVC and QNN are more sensitive, particularly to depolarizing and amplitude-damping noise. The PauliFeatureMap is especially vulnerable, highlighting difficulties in maintaining accurate classification under noisy conditions. These findings underscore the critical importance of feature map selection and noise mitigation strategies in optimizing QML for genomic classification, with promising implications for personalized medicine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google