HyQ-LC: migliorare la classificazione delle curve di luce con l’apprendimento ibrido quantistico-classico

Abstract degli autori

Le curve di luce rivelano la variabilità stellare e consentono di studiare l’evoluzione stellare e le distanze cosmiche. Una classificazione affidabile è quindi importante per le grandi survey temporali. Presentiamo HyQ-LC, un metodo per classificare le curve di luce stellari in dieci classi, che utilizza 359 feature ingegnerizzate manualmente e 633.034 oggetti di addestramento. Il modello principale combina un’architettura di base costituita da un percettrone multistrato a finestre (MLP) con un modulo di lettura a nove qubit che utilizza la codifica di ampiezza e il ricaricamento degli angoli. Questo modello ibrido e il modello di controllo basato esclusivamente su MLP hanno entrambi 44.238 parametri. Su un insieme di test condiviso di 20.000 oggetti, il modello ibrido ottiene incrementi puntuali dell’F1 macro-averaggiato (Macro-F1) di 0,8276 e 1,2393 punti percentuali rispetto al modello basato esclusivamente su MLP, con due semi di fine-tuning. Una configurazione separata a fusione fissa raggiunge un Macro-F1 leggermente più alto, ma un’accuratezza inferiore rispetto a LightGBM con un budget approssimativamente equivalente. Le differenze positive a livello di classe si concentrano in CEP, RRC e ROT, mentre il riferimento LightGBM con budget completo ottiene punteggi più alti su entrambe le metriche. Tutti i circuiti sono simulati classicamente. I confronti mantengono i checkpoint esistenti selezionati in base alla validazione e utilizzano gli stessi oggetti di test; feature, predizioni e codice per la rielaborazione sono disponibili pubblicamente. I risultati individuano miglioramenti nelle stime puntuali rispetto ai controlli testati, ma non chiariscono il contributo specifico del ramo quantistico.