Kuantum bilgisayarların makine öğrenmesi uygulamalarında yeni bir kilometre taşı daha elde edildi. Araştırmacılar, veri analizinde kritik öneme sahip özellik seçimi problemini kuantum teknolojisiyle çözmek için gelişmiş bir framework tasarladı.
Yeni yaklaşım, geleneksel QUBO (Quadratic Unconstrained Binary Optimization) yöntemlerinin ötesine geçerek HUBO (Higher-Order Unconstrained Binary Optimization) formülasyonu kullanıyor. Bu sistem, sadece ikili değil, üçlü ve daha karmaşık istatistiksel etkileşimleri de analiz edebiliyor. Karşılıklı bilgi ölçümlerinden türetilen bu çok boyutlu yaklaşım, özelliklerin ilgililik derecesi, ikili gereksizlik ve yüksek dereceli istatistiksel yapıları tek bir enerji modelinde birleştiriyor.
IonQ Forte kuantum işlemcisinde gerçekleştirilen deneyler, dijitalleştirilmiş kontrdiabatik kuantum optimizasyonu teknikleriyle yürütüldü. Sonuçlar hem gürültüsüz kuantum simülasyonları hem de SelectKBest ve temel bileşen analizi gibi klasik boyut indirgeme yöntemleriyle karşılaştırıldı.
Sistemin en önemli özelliklerinden biri, tüm özelliklerin seçildiği önemsiz çözümleri engellemek için yapılandırılmış doğrusal cezalar içermesi. Bu yaklaşım, seyrekliği teşvik ederken bilgilendirici değişkenleri koruyor ve pratik uygulamalarda daha anlamlı sonuçlar elde edilmesini sağlıyor.