スケーラブルな回路最適化のための量子特徴マップにおけるゲート寄与の定量化

要旨: 量子機械学習は分類タスクに有望な利点を提供しますが、現在のデバイスにおけるノイズ、デコヒーレンス、接続制約が、特徴マップベースの回路の効率的な実行を制限し続けています。Gate Assessment and Threshold Evaluation（GATE）は、新規のゲート重要度指標を用いて量子特徴マップを削減する回路最適化手法として提示されます。この指標は、忠実度、量子もつれ、感度を組み合わせて各ゲートの関連性を定量化します。シミュレータ／エミュレータ環境で量子状態へアクセスできる場合と、測定結果と補助回路からこれらの量を推定する実機ハードウェアの場合の両方に対して定式化されています。アプローチは、閾値範囲を反復的にスキャンし、寄与が低いゲートを除去し、最適化された量子機械学習モデルを生成し、最終検証前に精度、実行時間、およびバランスの取れた性能指標に基づいてランキングします。方法論は、実世界の分類データセットを用いて、PegasosQSVMとQuantum Neural Networkという2つの代表的な量子機械学習モデルを使った3つの実行シナリオ（ノイズフリーのシミュレーション、IBMバックエンド由来のノイズを含むエミュレーション、実際のIBM量子ハードウェア）で評価されます。特徴マップにおけるゲート削除の構造的影響を検討し、ノイズ緩和技術との適合性を研究し、密度行列、行列積状態、テンソルネットワーク、および実世界デバイスに基づくアプローチを用いてインデックス計算のスケーラビリティを評価します。結果は、回路サイズと実行時間の一貫した削減を示し、多くのケースで予測精度が維持または改善され、最適なトレードオフは通常、中間の閾値で発生します。