Metal-Insulator Transition Classification Using Hybrid Quantum Learning Under Data Scarcity
Este estudio demuestra que, si bien los clasificadores cuánticos híbridos pueden servir como lecturas compactas competitivas para clasificar materiales de transición metal-aislante escasos, actualmente no ofrecen una ventaja de rendimiento distintiva sobre los modelos clásicos bien controlados cuando se aplican una validación, calibración y selección de arquitectura rigurosas.