[论文解读] 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 0

一句话总结

本论文评估了使用 ZZFeatureMap 的量子 SVM 在雷达微多普勒分类中的性能，并将仿真器与 IBM Q 硬件与经典 SVM 进行对比，利用 PCA 进行特征降维，并通过 PCA 量子比特扫描优化量子比特数。

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.

研究动机与目标

• 评估量子核方法（QSVM）在 NISQ 硬件上用于雷达微多普勒目标分类的可行性。
• 在使用降低的 PCA 特征的情况下，衡量 QSVM 相对于经典 SVM 的性能。
• 分析硬件噪声、退相干、测量次数对量子核估计与分类保真度的影响。
• 在 IBM Torino 与 IBM Fez 处理器上展示对 QSVM 的实际硬件验证。

提出的方法

• 从 STFT 频谱提取 15 个经典微多普勒特征。
• 用 PCA 降维到 2–12 个分量；选择最佳的 4 量子比特表示。
• 在 4 个量子比特上使用 ZZFeatureMap 对降维后的特征进行编码，且实现全纠缠。
• 计算量子核 K_q(x,x') = |<φ(x)|φ(x')>|^2，并在核矩阵上训练经典 SVM。
• 在基准测试中比较经典 SVM（对 15 个特征使用 RBF核）与 QSVM（仿真器与硬件）。
• 在 IBM Torino（133 量子比特，Heron）和 IBM Fez（156 量子比特，Heron r2）硬件上验证；研究测量次数的影响（1,024–8,096 次）。

实验结果

研究问题

• RQ1 在 PCA 降维特征下，带 ZZFeatureMap 的 QSVM 是否能够实现具有竞争力的雷达微多普勒分类性能？
• RQ2 硬件噪声、退相干和测量次数如何影响 NISQ 设备上的量子核估计与分类保真度？
• RQ3 在准确性、特征效率和计算时间方面，使用完整特征的经典 SVM 与使用降维特征的 QSVM 之间的权衡如何？
• RQ4 更新的硬件（Heron r2）是否在 QSVM 核估计方面对早期设备带来显著改进？
• RQ5 在当前量子硬件上，基于 PCA 驱动的 4 量子比特 QSVM 是否是一个实际可行的雷达信号分类解决方案？

主要发现

Metric	Classical SVM	QSVM (Simulator)	Difference
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%

• 在仿真器上，使用 4 个 PCA 降维特征的 QSVM 达到 94.81% 的准确率；相比之下，使用 15 个特征的经典 SVM 为 98.52% 的准确率。
• 硬件验证在 IBM Torino 与 Fez 上的保真度为 89–94%，其中 Fez 的保真度较高（~94%）。
• 测量次数分析显示较高的测量次数（例如 8,096 次）能提高稳定性并降低熵，帮助硬件上的核估计。
• 四量子比特 ZZFeatureMap 全纠缠的嵌入提供了硬件可行、紧凑的量子嵌入，能够保留辨别能力。
• QSVM 的训练在量子核矩阵上进行经典实现；硬件仅用于核估计，凸显当前实际工作流程的约束。
• 在硬件实验场景下，QSVM 提供 73.3% 的特征降维（15 变 4）以及 2.23× 的训练加速，同时在精度上相对经典基线有轻微折中。