Design and Implementation of a Quantum Kernel Method for Support Vector Classification
Author
Lopez Urquia, Paula
Term
4. semester
Publication year
2026
Submitted on
2026-07-04
Pages
74
Abstract
In this project, we built a quantum support vector machine (QSVM) that combines a conventional computer with a quantum circuit. We evaluated it on six binary classification tasks (two categories). A key design choice in a QSVM is the quantum feature map, the rule that encodes input data into a quantum state. Because there is no established method for selecting the best circuit parameters, we conducted an in-depth analysis of feature map design. We compared 20 versions of the widely used ZZ feature map by varying two factors: the number of encoding layers (circuit depth) and the encoding function. Unlike most prior work that relied on a single metric for model selection in a parameterized circuit, we used multiple complementary metrics to choose the best encoding function and circuit depth for each application.
I dette projekt byggede vi en kvante-supportvektormaskine (QSVM), der kombinerer en klassisk computer med et kvantekredsløb. Vi testede den på seks binære klassifikationsopgaver (to kategorier). Et centralt designvalg i en QSVM er feature map’et (reglen, der koder inputdata til en kvantetilstand). Fordi der ikke findes en etableret metode til at vælge de bedste kredsløbsparametre, gennemførte vi en dybdegående analyse af feature map-designet. Vi sammenlignede 20 versioner af det udbredte ZZ feature map ved at variere to forhold: antallet af kodningslag (kredsløbsdybde) og kodningsfunktionen. I modsætning til tidligere studier, der ofte brugte én enkelt måling til modelvalg i et parametriseret kredsløb, anvendte vi flere supplerende metrikker til at vælge den bedste kodningsfunktion og kredsløbsdybde afhængigt af den konkrete anvendelse.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords