Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Quantum support vector classifier

Adam Radoň

Published May 15, 2026• 0 citations
OpenAlex

Abstract

V práci seznamujeme čtenáře s metodou SVM, základy kvantových výpočtů a jejich propojením v modelu QSVM určeném pro binární klasifikaci. Součástí práce je také popis vlastní implementace modelu spolu se zvolenými metodami kvantového kódování dat (Angle encoding, Z Feature Map, ZZ Feature Map, Pauli Feature Map). Pomocí této implementace následně testujeme efektivitu modelů na uměle vygenerovaných i reálných datech. Experimenty provádíme jak na simulátoru Qiskit, tak i na reálném kvantovém počítači. Výsledky ukazují, že QSVM může za určitých podmínek dosahovat velmi dobrých výsledků, zároveň je však jeho efektivita silně závislá na zvoleném kódování a charakteru dat.

Related papers

Quantum machine learning

Jan Svoboda

Přestože kvantové počítání stále není používáno v reálných aplikacích, jeho studium je nezbytné pro pochopení konceptů kvantového počítání a rozšíření znalostí o jeho možnostech. Tato práce porovnává kvantové strojové učení s kernelovými metodami v důsledku jejich přirozené podobnosti. Cílem práce je vytvořit obecný postup pro vytvoření kvantového kernelu, který bude těžko simulovatelný na klasických počítačích. Zmíněné postupy jsou posléze testovány na reálných datech s poněkud neuspokojivými výsledky.

•Jun 11, 2024•0 citations

Optimization of Quantum-Enhanced Machine Learning: Simulation and Validation

Jiří Viták

Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.

•May 8, 2026•0 citations

Quantum computing methods for malware classification

Eliška Krátká

Práce zkoumá potenciál kvantových počítačů v oblasti klasifikace malware prostřednictvím aplikace algoritmů kvantového strojového učení (QML). Hlavním cílem je prozkoumat výkon algoritmu Quantum Support Vector Machine (QSVM) ve srovnání s přístupy, nevyužívají kvantové výpočty. Byl vyvinut Python modul pro výběr, extrakci a preprocessing vzorků malware z veřejně dostupného datasetu PE Malware Machine Learning. Byl implementován algoritmus QSVM, který zahrnuje kvantová jádra s různými typy mapování příznaků. Následně byl otestován na lokálním simulátoru z Qiskit SDK a na kvantových počítačích od IBM. Výsledky experimentů poskytují vhled do chování a skutečného výkonu kvantových počítačů, zejména pokud jde o komplexní výpočty typické pro oblast klasifikace malware. Práce pokládá základy pro budoucí výzkum v oblasti klasifikace malware, demonstruje proveditelnost a přínosnost v rozvoji kybernetické bezpečnosti. Stěžejní přínos práce zahrnuje nalezení a nápravu kritických chyb v původní implementaci tříd pro výpočet kvantového jádra v knihovně Qiskit Machine Learning. Chyby zahrnovaly neprovádění transpilace kvantových obvodů odeslaných ke zpracování kvantovému počítači nebo překročení limitu maximální velikosti výpočetní úlohy v důsledku zpracování všech obvodů v rámci jediné úlohy.

•Jun 7, 2024•0 citations

Using Learning to Optimize to train Variational Quantum Algorithms

Ondřej Sukdol

Očekává se, že zašuměná kvantová zařízení střední velikosti dokážou brzy řešit některé problémy nezvládnutelné klasickými pořítači. Hlavní oblastí jejich po- tenciálního brzkého využití jsou variační kvantové algoritmy. Jde o kombinaci klasických a kvantových výpočtů, kde se snažíme optimalizovat parametry pro parametrizovaný kvantový obvod. Při optimalizaci parametrizovaných kvan- tových obvodů může dojít ke komplikacím specifickým pro kvantová zařízení, např. k problému pustých plání. V této práci se snažíme s těmito problémy vypořádat pomocí trénované optimalizace. Tato technika se pokouší o zefek- tivnění optimalizace tím, že natrénuje optimizer tak, aby se naučil vlastnosti ztrátové funkce pro daný problém. Experimentujeme zde s optimizery, které kromě gradientu ztrátové funkce používají k optimalizaci parametrů také in- formace získané rozkladem na dynamické módy.

•May 16, 2025•0 citations

Programming and simulation with quantum computers

Yakovenko, Mykola

Tato práce zkoumá výkonnost a spolehlivost kvantového hardwaru éry NISQ při provádění kvantových algoritmů a simulaci otevřených kvantových systémů. Po přehledu základních konceptů kvantového výpočtu, simulace a dynamiky otevřených systémů představujeme techniky kolizních modelů pro emulaci nemarkovovských procesů. Následně implementujeme Deutsch-Jozsův a Groverův algoritmus na kvantových počítačích IBM a charakterizujeme přesnost výsledků. Na téže platformě implementujeme nemarkovovský kolizní model a ukazujeme, že kvantový hardware dokáže tyto procesy úspěšně simulovat. Také pozorujeme, že šum v hardwaru negativně ovlivňuje paměťové efekty, které jsou pro nemarkovovské procesy zásadní. Pro zmírnění tohoto šumu aplikujeme techniky mitigace chyb a systematicky porovnáváme nemitigované a mitigované výsledky, abychom vyhodnotili zlepšení přesnosti. Naše zjištění ukazují, že ačkoliv zařízení NISQ mohou věrně reprodukovat klíčové kvantové jevy, mitigace chyb není nezbytná pro kvantitativně spolehlivou simulaci paměťových efektů.

•Aug 4, 2025•0 citations

State preparation for quantum machine learning

Martin Vidmar

Použitelnost mnohých kvantových algoritmů závisí na možnosti připravit vhodný kvantový stav, na němž bude algoritmus vyhodnocen. Toto platí zejména pro kvantové strojové učení, kde datové sady (které mohou být velké) musí být kvantovému zařízení předány skrz přípravu stavu. Avšak NISQ zařízení (kvantové počítače současné doby) trpí šumem, tudíž kvalita výsledku se značně zhoršuje s počtem hradel. Toto činí exaktní metody přípravy stavu nepoužitelnými pro větší počet qubitů kvůli exponenciální hloubce jejich obvodů. V této práci zkoumáme možnost připravování kvantových stavů aproximativně za účelem snížení vlivu šumu, přičemž se omezujeme na metody, které nepoužívají pomocné qubity. Vyhodnocujeme a porovnáváme tři existující metody přípravy stavu: zaprvé, známou exaktní metodu založenou na uniformně řízených rotacích; zadruhé, navrhnutou aproximativní metodu využívající Schmidtův rozklad; zatřetí, přetvoříme VQE do techniky pro přípravu stavu. Tyto tři metody vyhodnocujeme na simulátorech se šumem. Naše výsledky sestávají ze zevrubné teoretické diskuze těchto algoritmů, velké datové sady výsledků experimentů, a důkladné diskuze těchto výsledků doprovázené mnohými vizualizacemi.

•May 16, 2025•0 citations
V práci seznamujeme čtenáře s metodou SVM, základy kvantových výpočtů a jejich propojením v modelu QSVM určeném pro binární klasifikaci. Součástí práce je také popis vlastní implementace modelu spolu se zvolenými metodami kvantového kódování dat (Angle encoding, Z Feature Map, ZZ Feature Map, Pauli Feature Map). Pomocí této implementace následně testujeme efektivitu modelů na uměle vygenerovaných i reálných datech. Experimenty provádíme jak na simulátoru Qiskit, tak i na reálném kvantovém počítači. Výsledky ukazují, že QSVM může za určitých podmínek dosahovat velmi dobrých výsledků, zároveň je však jeho efektivita silně závislá na zvoleném kódování a charakteru dat.
Přestože kvantové počítání stále není používáno v reálných aplikacích, jeho studium je nezbytné pro pochopení konceptů kvantového počítání a rozšíření znalostí o jeho možnostech. Tato práce porovnává kvantové strojové učení s kernelovými metodami v důsledku jejich přirozené podobnosti. Cílem práce je vytvořit obecný postup pro vytvoření kvantového kernelu, který bude těžko simulovatelný na klasických počítačích. Zmíněné postupy jsou posléze testovány na reálných datech s poněkud neuspokojivými výsledky.
Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.
Práce zkoumá potenciál kvantových počítačů v oblasti klasifikace malware prostřednictvím aplikace algoritmů kvantového strojového učení (QML). Hlavním cílem je prozkoumat výkon algoritmu Quantum Support Vector Machine (QSVM) ve srovnání s přístupy, nevyužívají kvantové výpočty. Byl vyvinut Python modul pro výběr, extrakci a preprocessing vzorků malware z veřejně dostupného datasetu PE Malware Machine Learning. Byl implementován algoritmus QSVM, který zahrnuje kvantová jádra s různými typy mapování příznaků. Následně byl otestován na lokálním simulátoru z Qiskit SDK a na kvantových počítačích od IBM. Výsledky experimentů poskytují vhled do chování a skutečného výkonu kvantových počítačů, zejména pokud jde o komplexní výpočty typické pro oblast klasifikace malware. Práce pokládá základy pro budoucí výzkum v oblasti klasifikace malware, demonstruje proveditelnost a přínosnost v rozvoji kybernetické bezpečnosti. Stěžejní přínos práce zahrnuje nalezení a nápravu kritických chyb v původní implementaci tříd pro výpočet kvantového jádra v knihovně Qiskit Machine Learning. Chyby zahrnovaly neprovádění transpilace kvantových obvodů odeslaných ke zpracování kvantovému počítači nebo překročení limitu maximální velikosti výpočetní úlohy v důsledku zpracování všech obvodů v rámci jediné úlohy.
Očekává se, že zašuměná kvantová zařízení střední velikosti dokážou brzy řešit některé problémy nezvládnutelné klasickými pořítači. Hlavní oblastí jejich po- tenciálního brzkého využití jsou variační kvantové algoritmy. Jde o kombinaci klasických a kvantových výpočtů, kde se snažíme optimalizovat parametry pro parametrizovaný kvantový obvod. Při optimalizaci parametrizovaných kvan- tových obvodů může dojít ke komplikacím specifickým pro kvantová zařízení, např. k problému pustých plání. V této práci se snažíme s těmito problémy vypořádat pomocí trénované optimalizace. Tato technika se pokouší o zefek- tivnění optimalizace tím, že natrénuje optimizer tak, aby se naučil vlastnosti ztrátové funkce pro daný problém. Experimentujeme zde s optimizery, které kromě gradientu ztrátové funkce používají k optimalizaci parametrů také in- formace získané rozkladem na dynamické módy.
Tato práce zkoumá výkonnost a spolehlivost kvantového hardwaru éry NISQ při provádění kvantových algoritmů a simulaci otevřených kvantových systémů. Po přehledu základních konceptů kvantového výpočtu, simulace a dynamiky otevřených systémů představujeme techniky kolizních modelů pro emulaci nemarkovovských procesů. Následně implementujeme Deutsch-Jozsův a Groverův algoritmus na kvantových počítačích IBM a charakterizujeme přesnost výsledků. Na téže platformě implementujeme nemarkovovský kolizní model a ukazujeme, že kvantový hardware dokáže tyto procesy úspěšně simulovat. Také pozorujeme, že šum v hardwaru negativně ovlivňuje paměťové efekty, které jsou pro nemarkovovské procesy zásadní. Pro zmírnění tohoto šumu aplikujeme techniky mitigace chyb a systematicky porovnáváme nemitigované a mitigované výsledky, abychom vyhodnotili zlepšení přesnosti. Naše zjištění ukazují, že ačkoliv zařízení NISQ mohou věrně reprodukovat klíčové kvantové jevy, mitigace chyb není nezbytná pro kvantitativně spolehlivou simulaci paměťových efektů.
Použitelnost mnohých kvantových algoritmů závisí na možnosti připravit vhodný kvantový stav, na němž bude algoritmus vyhodnocen. Toto platí zejména pro kvantové strojové učení, kde datové sady (které mohou být velké) musí být kvantovému zařízení předány skrz přípravu stavu. Avšak NISQ zařízení (kvantové počítače současné doby) trpí šumem, tudíž kvalita výsledku se značně zhoršuje s počtem hradel. Toto činí exaktní metody přípravy stavu nepoužitelnými pro větší počet qubitů kvůli exponenciální hloubce jejich obvodů. V této práci zkoumáme možnost připravování kvantových stavů aproximativně za účelem snížení vlivu šumu, přičemž se omezujeme na metody, které nepoužívají pomocné qubity. Vyhodnocujeme a porovnáváme tři existující metody přípravy stavu: zaprvé, známou exaktní metodu založenou na uniformně řízených rotacích; zadruhé, navrhnutou aproximativní metodu využívající Schmidtův rozklad; zatřetí, přetvoříme VQE do techniky pro přípravu stavu. Tyto tři metody vyhodnocujeme na simulátorech se šumem. Naše výsledky sestávají ze zevrubné teoretické diskuze těchto algoritmů, velké datové sady výsledků experimentů, a důkladné diskuze těchto výsledků doprovázené mnohými vizualizacemi.