量子科技中心_量科网

该团队提出了一种基于高阶无约束二元优化（HUBO）公式的量子特征选择框架，该框架明确纳入了超出标准二次编码的多变量依赖关系。与基于QUBO的方法相比，所提出的模型包含由互信息度量导出的一体、二体和三体相互作用项，使得目标函数能够在统一的能量模型中捕捉特征相关性、成对冗余以及高阶统计结构。为了抑制琐碎的全选解，该工作进一步引入了结构化线性惩罚项，在保留信息变量的同时促进稀疏性。所得的HUBO实例在IonQ Forte上使用数字化反绝热量子优化进行优化，并与无噪声量子模拟以及两种经典降维基线方法（基于互信息的SelectKBest和主成分分析（PCA））进行了比较。该研究在两个基准分类数据集（即胆结石数据集和垃圾邮件数据集）上评估了所提出的工作流程，并分析了预测性能以及所选子集的结构。结果表明，硬件执行与无噪声模拟之间具有良好的一致性，支持了在当前离子阱处理器上实现高阶特征选择哈密顿量的可行性。此外，量子方法在产生紧凑且信息丰富的特征子集的同时，取得了具有竞争力的分类性能，突显了高阶量子优化在机器学习预处理任务中的潜力。