論文の概要: Quantum Phases Classification Using Quantum Machine Learning with SHAP-Driven Feature Selection

• arxiv url: http://arxiv.org/abs/2504.10673v1
• Date: Mon, 14 Apr 2025 19:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:09:23.108421
• Title: Quantum Phases Classification Using Quantum Machine Learning with SHAP-Driven Feature Selection
• Title（参考訳）: SHAPによる特徴選択による量子機械学習を用いた量子位相分類
• Authors: Giovanni S. Franco, Felipe Mahlow, Pedro M. Prado, Guilherme E. L. Pexe, Lucas A. M. Rattighieri, Felipe F. Fanchini,
• Abstract要約: ANNNI(Axial Next-Nearest Neighbor Ising)モデル内で量子位相を分類する革新的な手法を提案する。 我々の研究は、量子支援ベクトル(QSVM)と変分量子(VQC)の2つの顕著なQMLアルゴリズムに焦点を当てている。 その結果,QSVMとVQCはいずれも,5ないし6つの重要な特徴に制限された場合の予測精度が極めて高いことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this study, we present an innovative methodology to classify quantum phases within the ANNNI (Axial Next-Nearest Neighbor Ising) model by combining Quantum Machine Learning (QML) techniques with the Shapley Additive Explanations (SHAP) algorithm for feature selection and interpretability. Our investigation focuses on two prominent QML algorithms: Quantum Support Vector Machines (QSVM) and Variational Quantum Classifiers (VQC). By leveraging SHAP, we systematically identify the most relevant features within the dataset, ensuring that only the most informative variables are utilized for training and testing. The results reveal that both QSVM and VQC exhibit exceptional predictive accuracy when limited to 5 or 6 key features, thereby enhancing performance and reducing computational overhead. This approach not only demonstrates the effectiveness of feature selection in improving classification outcomes but also offers insights into the interpretability of quantum classification tasks. The proposed framework exemplifies the potential of interdisciplinary solutions for addressing challenges in the classification of quantum systems, contributing to advancements in both machine learning and quantum physics.
• Abstract（参考訳）: 本研究では,ANNNI(Axial Next-Nearest Neighbor Ising)モデルにおいて,QML(Quantum Machine Learning)技術とSHAP(Shapley Additive Explanations)アルゴリズムを組み合わせた特徴選択と解釈性を備えた量子位相の分類手法を提案する。 本稿では,量子支援ベクトルマシン(QSVM)と変分量子分類器(VQC)の2つの重要なQMLアルゴリズムについて検討する。 SHAPを利用することで、データセット内の最も関連性の高い特徴を体系的に識別し、最も情報性の高い変数のみがトレーニングやテストに使用されることを保証する。 その結果、QSVM と VQC は、5 または 6 のキーに制限された場合、異常な予測精度を示し、性能の向上と計算オーバーヘッドの低減が図られた。 このアプローチは、分類結果の改善における特徴選択の有効性を示すだけでなく、量子分類タスクの解釈可能性に関する洞察を与える。 提案フレームワークは、量子システムの分類における課題に対処するための学際的ソリューションの可能性を示し、機械学習と量子物理学の両方の進歩に寄与する。

関連論文リスト

• An Independent Implementation of Quantum Machine Learning Algorithms in Qiskit for Genomic Data [12.248184406275405]
  我々は,QISVC(Quantum Support Vector),QSV(Pegasosational Quantum Circuits),QNN(Quantum Neural Networks)などのアルゴリズムを拡張した。
  論文  参考訳（メタデータ） (2024-05-16T03:00:41Z)
• Strategic Data Re-Uploads: A Pathway to Improved Quantum Classification Data Re-Uploading Strategies for Improved Quantum Classifier Performance [0.0]
  古典情報を複数回量子状態に再アップロードすると、量子分類器の精度が向上する。 線形分類パターン(LCP)と非線形分類パターン(NLCP)の2つの分類パターンに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2024-05-15T14:28:00Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Variational Quantum Linear Solver enhanced Quantum Support Vector Machine [3.206157921187139]
  本稿では,変分量子線形解法(VQLS)拡張QSVMを提案する。 NISQ デバイス上での最小二乗SVM の線形方程式系を解くために、変分量子線形解法を利用するという考え方に基づいている。 提案手法の実装は,Irisデータセットを用いた広範囲な数値実験により評価される。
  論文  参考訳（メタデータ） (2023-09-14T14:59:58Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Quantum Machine Learning Applied to the Classification of Diabetes [0.0]
  ハイブリッド量子メソッドは、デプロイと最適化に非常に適しています。 弱点として、量子コンピューティングはそのポテンシャルを正当化するのに十分な量子ビットを持っていない。
  論文  参考訳（メタデータ） (2022-12-31T03:43:07Z)
• A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
  我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。 我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
  論文  参考訳（メタデータ） (2022-11-23T18:25:32Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Quantum circuit architecture search on a superconducting processor [56.04169357427682]
  変分量子アルゴリズム(VQA)は、ファイナンス、機械学習、化学といった様々な分野において、証明可能な計算上の優位性を得るための強力な証拠を示している。 しかし、現代のVQAで利用されるアンザッツは、表現性と訓練性の間のトレードオフのバランスをとることができない。 8量子ビット超伝導量子プロセッサ上でVQAを強化するために,効率的な自動アンサッツ設計技術を適用した最初の実証実験を実証する。
  論文  参考訳（メタデータ） (2022-01-04T01:53:42Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
  変分量子分類(VQC)は、量子的に有利な方法の一つである。 本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。 QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
  論文  参考訳（メタデータ） (2020-05-29T04:43:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。