Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware
Dieser Beitrag stellt ein Quanten-Feature-Selektions-Framework vor, das auf einer Formulierung als höherordnige unbeschränkte binäre Optimierung (HUBO) mit multivariaten Abhängigkeiten basiert und erfolgreich auf der IonQ Forte-Falle-Ionen-Hardware implementiert wurde, um eine wettbewerbsfähige Klassifikationsleistung sowie die Machbarkeit höherordniger Quantenoptimierung für die Vorverarbeitung im maschinellen Lernen zu demonstrieren.