[論文レビュー] Practical Evaluation of Quantum Kernel Methods for Radar Micro-Doppler Classification on Noisy Intermediate-Scale Quantum (NISQ) Hardware

Vikas Agnihotri, Jasleen Kaur+1 more|arXiv (Cornell University)|Jan 29, 2026

Quantum Information and Cryptography被引用数 0

ひとこと要約

要約: 本論文は、レーダー微ドップラー分類のための ZZFeatureMap を用いた量子 SVM（QSVM）を評価し、シミュレータと IBM Q ハードウェアを古典的 SVM と比較し、特徴量削減には PCA、ハードウェア最適化には PCA 量子ビットスイープを用いる。

ABSTRACT

This paper examines the application of a Quantum Support Vector Machine (QSVM) for radarbased aerial target classification using micro-Doppler signatures. Classical features are extracted and reduced via Principal Component Analysis (PCA) to enable efficient quantum encoding. The reduced feature vectors are embedded into a quantum kernel-induced feature space using a fully entangled ZZFeatureMap and classified using a kernel based QSVM. Performance is first evaluated on a quantum simulator and subsequently validated on NISQ-era superconducting quantum hardware, specifically the IBM Torino (133-qubit) and IBM Fez (156-qubit) processors. Experimental results demonstrate that the QSVM achieves competitive classification performance relative to classical SVM baselines while operating on substantially reduced feature dimensionality. Hardware experiments reveal the impact of noise and decoherence and measurement shot count on quantum kernel estimation, and further show improved stability and fidelity on newer Heron r2 architecture. This study provides a systematic comparison between simulator-based and hardware-based QSVM implementations and highlights both the feasibility and current limitations of deploying quantum kernel methods for practical radar signal classification tasks.

研究の動機と目的

• NISQ ハードウェア上でのレーダー微ド Doppler ターゲット分類のための量子カーネル法（QSVM）の実行可能性を評価する。
• 縮小された PCA 特徴量を用いた QSVM の性能を古典 SVM と比較する。
• ハードウェアノイズの影響、ショット数の効果、アーキテクチャの差異が分類忠実度に与える影響を分析する。
• IBM Torino および IBM Fez プロセッサ上での QSVM の実機検証を実証する。

提案手法

• STFT スペクトログラムから 15 個の古典的微ドップラー特徴を抽出する。
• PCA により次元を 2–12 成分に削減し、最適な 4-量子ビット表現を選択する。
• 縮小された特徴量を 4 量子ビットの ZZFeatureMap で完全なエンタングルメントを用いてエンコードする。
• 量子カーネル K_q(x,x') = |<φ(x)|φ(x')>|^2 を計算し、カーネル行列上で古典 SVM を訓練する。
• 古典 SVM（15 特徴の RBF カーネル）と QSVM（シミュレータおよびハードウェア）をベンチマークで比較する。
• IBM Torino（133-量子ビット、Heron）および IBM Fez（156-量子ビット、Heron r2）ハードウェアで検証する。ショット数の効果を調査する（1,024–8,096 ショット）。

実験結果

リサーチクエスチョン

• RQ1 PCA で削減した特徴量を用いた ZZFeatureMap を備えた QSVM は、レーダー微ドップラー分類で競争力のある性能を達成できるか。
• RQ2 ハードウェアノイズ、デコヒーレンス、ショット数は NISQ デバイス上の量子カーネル推定と分類忠実度にどのように影響するか。
• RQ3 全特徴の古典 SVM と縮小特徴の QSVM の精度、特徴量効率、計算時間のトレードオフはどうなるか。
• RQ4 新しいハードウェア（Heron r2）は、以前のデバイスより QSVM カーネル推定に有意な改善をもたらすか。
• RQ5 PCA 主導の 4-量子ビット QSVM は、現在の量子ハードウェアでレーダ信号分類の実用的かつ実機対応解となり得るか。

主な発見

指標	古典 SVM	QSVM（シミュレーター）	差分
Accuracy	98.52%	94.81%	-3.71%
Precision	98.58%	95.51%	-3.07%
Recall	98.52%	94.81%	-3.71%
F1-Score	98.53%	94.88%	-3.65%

• 4 個の PCA 削減特徴での QSVM はシミュレータで 94.81% の精度、15 特徴の古典 SVM は 98.52% の精度。
• ハードウェア検証は IBM Torino および Fez で 89–94% の忠実度を示し、Fez の忠実度は約 94% に高い。
• ショット数の分析では、ショット数を増やす（例: 8,096）と安定性が向上し、ハードウェア上のカーネル推定を支援する。
• ZZFeatureMap の 4 量子ビット・全エンタングルメントは、ディスクリミネーション力を保持しつつハードウェア適合のコンパクトな量子埋め込みを提供する。
• QSVM の訓練は事前に計算された量子カーネル上で古典的に実行され、ハードウェアはカーネル推定のみに使用される。現状の実用的ワークフローの制約を強調する。
• QSVM は特徴量削減 15 → 4 で 73.3% の特徴量削減を達成し、ハードウェア実験の文脈で訓練を 2.23 倍高速化できるが、古典ベースラインからは若干の精度低下を許容する。