在基于模拟器的NISQ近似下的噪声感知量子支持向量回归

《IEEE Access》：Noise-Aware Quantum Support Vector Regression Under Simulator-Based NISQ Approximation

　　

摘要：

量子支持向量回归（QSVR）通过使用核方法成为建模高维数据非线性关系的一个令人兴奋的方向。然而，对整个QSVR流程的全面评估（包括预处理和降维、量子嵌入、基于shot的核估计以及噪声感知分析）尚未得到广泛关注。本文介绍了一个基于Python的QSVR框架实现，该框架结合了主成分分析（PCA）到量子比特的嵌入、1024次shot的量子核估计以及1024次shot的1/2-SVR优化，应用于金融时间序列和信用交易回归问题。在将经典特征进行归一化并缩减到约20个主要特征（这些特征捕获了数据中95%的方差）之后，使用深度为3的纠缠电路进行基于角度的RY嵌入。量子核是通过有限shot约束下的状态重叠估计构建的，并通过交叉验证优化进行训练。在无噪声和模拟器生成的噪声条件下（在可控噪声近似的情况下），该框架的鲁棒性得到了验证。实验表明，与具有相同预处理和验证条件的RBF-SVR基线相比，QSVR的回归性能有所提升。所提出的工作流程设计体现了可重复性、基准测试控制以及可行的噪声感知评估的概念，为近期的量子机器学习研究提供了一个系统的参考框架。