OptiPauli: An algorithm to find a near-optimal Pauli Feature Map for Quantum Support Vector Classifiers
Notice bibliographique
Résumé
Quantum Support Vector Classifiers have been gaining traction in solving classification problems as it enables efficient kernel estimation and potential improvement in accuracy. To estimate the kernel matrices, a quantum kernel needs a Pauli Feature Map which encodes the classical data into the quantum state space. For a given dataset and dimension, we can have an exorbitant number of Pauli Feature Maps. Hence, finding a Pauli Feature Map that maximizes model accuracy is a research challenge. To address this optimization problem, we propose an algorithm that finds a near-optimal Pauli Feature Map by solving several sub-problems with varying numbers of decision variables and their constraints. Each sub-problem aims to find the Pauli Feature Map that maximizes the model accuracy. We use genetic algorithm to solve each sub-problem, and then select the best out of all the near-optimal Pauli Feature Maps. Instead of formulating a single optimization problem, we use this divide-and-conquer approach (of breaking down the problem into multiple sub-problems) to reduce the overall search space. To evaluate the efficiency of our algorithm, we compare it against solving each sub-problem through exhaustive approach. The latter yields the optimal Pauli Feature Map by exploring the full state space. For the scikit-learn Breast Cancer dataset with dimension 5, our algorithm converges to the optimal Pauli Feature Map in about 804 seconds which is over 4 times faster than the exhaustive approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».