양자 특징 선택을 위한 고차원 이진 최적화: 트랩드-이온 하드웨어 기반

우리는 표준 2 차 인코딩을 넘어선 다변량 의존성을 명시적으로 포함하는 고차원 무제약 이진 최적화 (HUBO) 형식을 기반으로 한 양자 특징 선택 프레임워크를 제시합니다. QUBO 기반 접근법과 달리, 제안된 모델은 상호 정보 측정에서 유도된 1 체, 2 체 및 3 체 상호작용 항을 포함하여 목적 함수가 단일 에너지 모델 내에서 특징의 관련성, 쌍별 중복성 및 고차원 통계 구조를 포착할 수 있도록 합니다. 자명한 모든 선택 솔루션을 억제하기 위해 우리는 정보 있는 변수를 보존하면서 희소성을 촉진하는 구조화된 선형 페널티를 추가로 포함합니다. 결과적으로 생성된 HUBO 인스턴스는 IonQ Forte 에서 디지털화 된 반다바틱 양자 최적화 (digitized counterdiabatic quantum optimization) 로 최적화되었으며, 소음 없는 양자 시뮬레이션 및 두 가지 고전적 차원 축소 베이스라인인 상호 정보를 기반으로 한 SelectKBest 와 주성분 분석 (PCA) 과 비교되었습니다. 우리는 Gallstone 데이터세트와 Spambase 데이터세트라는 두 가지 벤치마크 분류 데이터세트에서 제안된 워크플로우를 평가하고 예측 성능 및 선택된 부분집합 구조를 분석했습니다. 결과는 하드웨어 실행과 소음 없는 시뮬레이션 사이에 좋은 정성적 일치도를 보여주어 현재 트랩드-이온 프로세서에서 고차원 특징 선택 해밀토니안을 구현하는 가능성을 지지합니다. 또한, 양자 접근법은 경쟁력 있는 분류 성능을 제공하면서도 컴팩트하고 정보 있는 특징 부분집합을 생성하여 고차원 양자 최적화가 머신러닝 전처리 작업에 대한 잠재력을 강조합니다.