Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware

Este artigo apresenta um framework de seleção de características quânticas utilizando uma formulação de otimização binária não restrita de ordem superior (HUBO) com dependências multivariadas, que foi implementado com sucesso no hardware de íons presos IonQ Forte para demonstrar desempenho competitivo de classificação e a viabilidade da otimização quântica de ordem superior para pré-processamento de aprendizado de máquina.

O essencial

Imagine que você está tentando resolver um quebra-cabeça massivo, mas tem 32 peças diferentes (características) para escolher, e precisa apenas de algumas delas para ver a imagem completa com clareza. O problema é que algumas peças parecem importantes por si só, algumas parecem importantes apenas quando combinadas com outras, e algumas são apenas duplicatas umas das outras.

Este artigo descreve uma nova maneira de usar um computador quântico para encontrar o conjunto perfeito de peças de quebra-cabeça. Em vez de olhar apenas para as peças uma por uma ou em pares (como os métodos tradicionais), este novo método analisa como grupos de três peças funcionam juntos.

Aqui está a explicação da abordagem deles usando analogias simples:

1. O Problema: Muitas Opções

Na ciência de dados, a "Seleção de Características" é o processo de escolher as informações mais úteis de uma lista enorme.

• O Jeito Antigo (QUBO): Imagine tentar escolher os melhores membros de uma equipe apenas perguntando: "Quão boa é a Pessoa A?" e "Quão bem a Pessoa A e a Pessoa B se dão?". Isso ignora o fato de que, às vezes, um grupo específico de três pessoas cria uma química mágica que você não consegue ver olhando para eles individualmente ou em pares.
• O Jeito Novo (HUBO): Os autores criaram um método que pergunta: "Quão bom é este trio específico de pessoas trabalhando juntos?". Eles chamam isso de Otimização Binária Não Constrained de Ordem Superior (HUBO). É como ter um gerente superinteligente que consegue entender instantaneamente dinâmicas de grupo complexas, não apenas habilidades individuais.

2. A Receita: O Modelo de "Energia"

Para encontrar a melhor equipe, os pesquisadores construíram uma "receita" matemática chamada Hamiltoniano (pense nisso como uma planilha de pontuação).

• Relevância (Corpo único): Se uma peça de informação é muito útil por si só, a planilha de pontuação dá um "bônus" (reduz a energia).
• Redundância (Corpo duplo): Se duas peças de informação dizem exatamente a mesma coisa, a planilha de pontuação penaliza a escolha de ambas (aumenta a energia).
• Grupos Complexos (Corpo triplo): Este é o ingrediente secreto. Se três peças de informação criam uma percepção poderosa apenas quando combinadas, a planilha de pontuação recompensa aquele trio específico.
• A Regra "Sem Almoço Grátis": Para impedir que o computador escolha todas e cada uma das peças (que é a solução preguiçosa e fácil), eles adicionaram uma penalidade. É como um treinador rigoroso que diz: "Você não pode escolher toda a equipe; você deve escolher o melhor pequeno esquadrão."

3. A Máquina: A Academia Quântica

Eles testaram essa receita em um computador quântico real feito pela IonQ, que usa íons presos (átomos carregados) como seus "bits".

• O Treino: Eles usaram uma técnica chamada Otimização Quântica Digitada Contradiabática (DCQO). Imagine tentar encontrar o ponto mais baixo em um vale nebuloso. Uma caminhada normal pode deixá-lo preso em uma pequena depressão. Esta técnica é como um tour guiado que ajuda o computador a "deslizar" rápida e suavemente até o ponto absolutamente mais baixo (a melhor solução) sem ficar preso na neblina.
• O Resultado: O computador executou este "treino" e lançou uma lista de probabilidades para cada característica, dizendo com que frequência aquela característica apareceu nas melhores soluções.

4. O Teste de Estrada: Dois Cenários do Mundo Real

Eles testaram seu método em dois conjuntos de dados diferentes para ver se realmente funcionava:

• Cenário A: O Conjunto de Dados de Cálculos Biliares (Médico)

  • A Tarefa: Prever se um paciente tem cálculos biliares com base em 32 métricas de saúde (como colesterol, idade, peso).
  • O Resultado: O método quântico selecionou 19 métricas-chave. Ele teve um desempenho melhor do que os métodos de computador padrão (como PCA ou escolher os 19 principais por classificação simples). Ele encontrou uma lista menor e mais limpa de sintomas que previu a doença tão bem, ou até melhor, do que usar todos os dados.
  • A Verificação: Eles compararam os resultados do computador quântico real com uma simulação perfeita, sem ruído. Eles coincidiram muito de perto, provando que o hardware real funciona como esperado.

• Cenário B: O Conjunto de Dados Spambase (E-mail)

  • A Tarefa: Dizer se um e-mail é spam ou não, com base em 32 frequências de palavras/caracteres.
  • O Resultado: O método quântico reduziu a lista para 23 indicadores-chave. Novamente, ele superou os métodos padrão. Ele conseguiu cortar o "ruído" (palavras redundantes) enquanto mantinha o "sinal" (palavras que realmente indicam spam).

5. A Conclusão

O artigo afirma que:

1. Funciona: O computador quântico encontrou com sucesso subconjuntos de dados de alta qualidade.
2. É melhor do que o jeito antigo: Ao olhar para relacionamentos de "três vias" (ordem superior), ele encontrou combinações melhores do que métodos que olham apenas para indivíduos ou pares.
3. É eficiente: Reduziu a quantidade de dados necessária para fazer previsões precisas sem perder a precisão.
4. O hardware está pronto: Os resultados da máquina IonQ real foram muito semelhantes às simulações perfeitas, sugerindo que os computadores quânticos de hoje já são capazes de lidar com esses problemas complexos de "dinâmicas de grupo".

Em resumo, os autores construíram um "batedor" quântico que é melhor em identificar os membros de equipe mais valiosos em um grupo porque entende como as pessoas interagem em trios, não apenas em pares. Eles provaram que funciona em hardware real com dados reais.

Resumo técnico

1. Declaração do Problema

A seleção de recursos (FS) é crítica para melhorar a interpretabilidade do modelo, reduzir o sobreajuste e aprimorar a eficiência computacional em conjuntos de dados de alta dimensão. No entanto, os métodos clássicos de FS enfrentam limitações significativas:

• Métodos Wrapper são computacionalmente caros e escalam mal.
• Métodos Filter (por exemplo, informação mútua) frequentemente ignoram interações entre recursos.
• Métodos Embedded são sensíveis a hiperparâmetros e frequentemente tendem a favorecer dependências lineares ou hierárquicas.
• Limitações Quânticas: Abordagens quânticas existentes tipicamente formulam a FS como um problema de Otimização Binária Não Constrained Quadrática (QUBO). O QUBO é restrito a interações de um e dois corpos, forçando que dependências de ordem superior (relações multivariadas) sejam negligenciadas, aproximadas ou introduzidas via sobrecargas custosas de quadratização.

Desafio Central: Como capturar explicitamente dependências estatísticas complexas e de ordem superior entre recursos em um framework de otimização quântica sem reduzir o problema a uma forma quadrática, e como executar isso no atual hardware quântico de escala intermediária ruidosa (NISQ).

2. Metodologia

Os autores propõem um framework inovador baseado em Otimização Binária Não Constrained de Ordem Superior (HUBO) executado no hardware de íons aprisionados IonQ Forte.

A. Formulação HUBO

Em vez de um Hamiltoniano quadrático, o problema é codificado em um Hamiltoniano contendo termos de interação de um, dois e três corpos:
$$H(Z) = \sum_i h_i Z_i + \sum_{i<j} J_{ij} Z_i Z_j + \sum_{i<j<k} K_{ijk} Z_i Z_j Z_k + C$$

• Variáveis: $Z_i \in \{-1, +1\}$ (convenção de Ising), onde $-1$ indica seleção de recurso.
• Coeficientes: Derivados da Informação Mútua (MI):
  • $h_i$: Codifica a relevância individual do recurso para o alvo.
  • $J_{ij}$: Codifica redundância par a par (penalizando recursos correlacionados).
  • $K_{ijk}$: Codifica dependências de ordem superior (capturando informação presente apenas em grupos de três recursos).
• Penalizações Estruturadas: Para evitar soluções triviais (por exemplo, selecionar todos os recursos), um termo de penalidade linear $H_\lambda$ é adicionado, suprimindo recursos com relevância negligenciável abaixo de um limiar $\tau$.

B. Algoritmo de Otimização: Otimização Quântica Digitada Contradiabática (DCQO)

Os autores utilizam o DCQO para encontrar o estado fundamental do Hamiltoniano HUBO:

• Mecanismo: Uma abordagem baseada em portas inspirada em "atalhos para adiabaticidade". Ela interpola entre um Hamiltoniano condutor e o Hamiltoniano HUBO alvo, enquanto adiciona termos contradiabáticos aproximados para suprimir transições diabáticas durante a evolução em tempo finito.
• Execução: Implementado no IonQ Forte (íons Yb+) com conectividade todos-para-todos, o que suporta naturalmente as interações de longo alcance exigidas pelo HUBO sem embebedamento complexo.

C. Pós-processamento e Seleção

1. Amostragem: O sistema é medido para gerar amostras de strings de bits.
2. Filtragem: As amostras são classificadas por energia; apenas a fração de menor energia ($\rho$, por exemplo, os 25% superiores) é retida para filtrar o ruído.
3. Pontuação: A importância do recurso ($I_i$) é calculada como a frequência empírica de um recurso ser selecionado ($x_i=1$) dentro do subconjunto de baixa energia.
4. Limiar: Recursos são selecionados se $I_i \geq \delta$.

3. Contribuições Principais

1. HUBO para Seleção de Recursos: A primeira formulação explícita da seleção de recursos como um problema HUBO que captura interações de três corpos diretamente, evitando a perda de informação inerente às reduções QUBO.
2. Implementação em Hardware: Execução bem-sucedida de um problema de otimização de ordem superior no hardware de íons aprisionados IonQ Forte, demonstrando a viabilidade de executar circuitos quânticos profundos para pré-processamento de aprendizado de máquina.
3. Independência de Modelo: O método depende puramente de dependências estatísticas (Informação Mútua) derivadas dos dados, não exigindo treinamento de modelo durante a fase de seleção.
4. Benchmarking: Comparação abrangente contra simulações quânticas sem ruído e baselines clássicas (SelectKBest e PCA) em conjuntos de dados do mundo real.

4. Resultados Experimentais

O framework foi testado em dois conjuntos de dados: Gallstone (biomédico, 38 recursos) e Spambase (textual, 57 recursos). Ambos foram pré-selecionados para 32 recursos devido a restrições de hardware.

A. Conjunto de Dados Gallstone

• Hardware vs. Simulação: Forte concordância qualitativa entre o IonQ Forte e a simulação sem ruído quanto às probabilidades de inclusão de recursos.
• Desempenho: O subconjunto selecionado quânticamente (19 recursos) alcançou 0,88 ROC-AUC, superando:
  • Todos os recursos (0,86)
  • PCA (0,79)
  • SelectKBest (0,84)
• Insight: A inclusão de termos de ordem superior permitiu que o modelo identificasse um subconjunto mais compacto e informativo do que métodos univariados.

B. Conjunto de Dados Spambase

• Desempenho: O subconjunto selecionado quânticamente (23 recursos) alcançou 0,9836 ROC-AUC, superando:
  • Todos os recursos (0,9817)
  • PCA (0,9615)
  • SelectKBest (0,9805)
• Eficiência: O método reduziu a dimensionalidade em ~28% enquanto melhorava ligeiramente a precisão de classificação em comparação com o uso de todos os recursos.

5. Significado e Conclusão

• Além do Quadrático: O estudo prova que modelar explicitamente estruturas estatísticas de ordem superior (via termos de 3 corpos) produz subconjuntos de recursos melhores do que abordagens quadráticas padrão (QUBO), particularmente em conjuntos de dados com dependências multivariadas complexas.
• Adequação do Hardware: Processadores de íons aprisionados são singularmente adequados para problemas HUBO devido à sua conectividade todos-para-todos, o que elimina a necessidade de sobrecargas de mapeamento/embebedamento de qubits comuns em arquiteturas supercondutoras.
• Escalabilidade: Os resultados sugerem que, à medida que o hardware quântico escala (mais qubits, maior fidelidade), esta abordagem pode resolver problemas de seleção de recursos de alta dimensão que são computacionalmente intratáveis para métodos combinatórios clássicos.
• Trabalho Futuro: Os autores propõem integrar DCQO de Campo de Viés (BF-DCQO) para atualizar iterativamente campos de viés, aprimorando ainda mais o cenário de otimização para conjuntos de dados maiores.

Em resumo, este artigo demonstra um fluxo de trabalho quântico prático e agnóstico ao modelo que aproveita a otimização de ordem superior em hardware de íons aprisionados para superar técnicas clássicas de redução de dimensionalidade tanto em compactação de recursos quanto em desempenho preditivo.