論文の概要: Practical Evaluation of Quantum Kernel Methods for Radar Micro-Doppler Classification on Noisy Intermediate-Scale Quantum (NISQ) Hardware

• arxiv url: http://arxiv.org/abs/2601.22194v1
• Date: Thu, 29 Jan 2026 11:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:14.987548
• Title: Practical Evaluation of Quantum Kernel Methods for Radar Micro-Doppler Classification on Noisy Intermediate-Scale Quantum (NISQ) Hardware
• Title（参考訳）: 雑音中規模量子(NISQ)ハードウェアを用いたレーダマイクロドップラー分類のための量子カーネル法の実用化評価
• Authors: Vikas Agnihotri, Jasleen Kaur, Sarvagya Kaushik,
• Abstract要約: 本稿では,マイクロドップラーシグネチャを用いたレーダーによる航空目標分類への量子支援ベクトルマシン(QSVM)の適用について検討する。 古典的特徴は、主成分分析(PCA)によって抽出・縮小され、効率的な量子符号化が可能となる。 性能はまず量子シミュレータ上で評価され、超伝導量子ハードウェア上で検証される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper examines the application of a Quantum Support Vector Machine (QSVM) for radarbased aerial target classification using micro-Doppler signatures. Classical features are extracted and reduced via Principal Component Analysis (PCA) to enable efficient quantum encoding. The reduced feature vectors are embedded into a quantum kernel-induced feature space using a fully entangled ZZFeatureMap and classified using a kernel based QSVM. Performance is first evaluated on a quantum simulator and subsequently validated on NISQ-era superconducting quantum hardware, specifically the IBM Torino (133-qubit) and IBM Fez (156-qubit) processors. Experimental results demonstrate that the QSVM achieves competitive classification performance relative to classical SVM baselines while operating on substantially reduced feature dimensionality. Hardware experiments reveal the impact of noise and decoherence and measurement shot count on quantum kernel estimation, and further show improved stability and fidelity on newer Heron r2 architecture. This study provides a systematic comparison between simulator-based and hardware-based QSVM implementations and highlights both the feasibility and current limitations of deploying quantum kernel methods for practical radar signal classification tasks.
• Abstract（参考訳）: 本稿では,マイクロドップラーシグネチャを用いたレーダーによる航空目標分類への量子支援ベクトルマシン(QSVM)の適用について検討する。 古典的特徴は、主成分分析(PCA)によって抽出・縮小され、効率的な量子符号化が可能となる。 縮小された特徴ベクトルは、完全に絡み合ったZZFeatureMapを使用して量子カーネルによって誘導される特徴空間に埋め込まれ、カーネルベースのQSVMを使用して分類される。 NISQ時代の超伝導量子ハードウェア、特にIBM Torino (133-qubit) とIBM Fez (156-qubit) プロセッサで性能が評価される。 実験結果から,QSVMは古典的なSVMベースラインに対して,特徴次元を著しく小さくしながら,競争力のある分類性能を実現することが示された。 ハードウェア実験により、量子カーネル推定におけるノイズとデコヒーレンス、測定ショット数の影響が明らかになり、より新しいヘロンr2アーキテクチャの安定性と忠実度が向上した。 本研究は,シミュレータベースのQSVM実装とハードウェアベースのQSVM実装を体系的に比較し,実用的なレーダ信号分類タスクに量子カーネルメソッドをデプロイする可能性と現在の制限の両方を強調した。

関連論文リスト

• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Enhanced feature encoding and classification on distributed quantum hardware [0.0]
  量子支援ベクトルマシン(QSVM)のための新しい特徴マップ最適化手法を提案する。 ノイズの多い量子デバイスにおいて重要な要素である、キュービット接続、ネイティブゲートセット、回路深さなど、バックエンド固有のパラメータを考慮に入れます。 この研究は、各量子処理ユニット(QPU)を同じトポロジを持つ複数のサブユニットに分割して、個別のQSVMインスタンスを実装した。
  論文  参考訳（メタデータ） (2024-12-02T16:14:37Z)
• Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
  量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
  論文  参考訳（メタデータ） (2024-11-13T23:56:20Z)
• Pulsar Classification: Comparing Quantum Convolutional Neural Networks and Quantum Support Vector Machines [0.0]
  パルサーのバイナリ分類には、量子カーネル支援支援ベクトルマシン(QSVM)と量子畳み込みニューラルネットワーク(QCNN)が適用される。 QCNNは、トレーニングと予測に要する時間に関してQSVMよりも優れていますが、現在のNISQ時代デバイスが考慮され、比較に含まれるノイズが優先される場合、QSVMが好まれます。
  論文  参考訳（メタデータ） (2023-09-27T11:46:57Z)
• Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
  量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。 本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。 分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
  論文  参考訳（メタデータ） (2023-07-05T08:06:41Z)
• Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
  我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。 これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。 シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
  論文  参考訳（メタデータ） (2021-05-20T17:06:52Z)
• 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)

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。