使用量子回归模型预测加工稳定性
Predicting Machining Stability with a Quantum Regression Model
AI总结：
本文扩展实部量子SVM构建量子回归模型，利用多转速铣削实验数据集和自定义特征映射预测铣削稳定性极限，验证了量子机器学习在实际制造任务中的可行性。
摘要：
在本文中，我们通过扩展实部量子支持向量机（Real-Part Quantum SVM）提出了一种新颖的量子回归模型。我们将该模型应用于铣削过程中的稳定性极限预测问题，这是高精度制造中的关键环节。为训练模型，我们使用了一个自定义数据集，该数据集通过使用不同主轴转速开展的大量铣削实验获得，并通过自定义特征映射进行增强。我们表明，所得模型能够准确预测在物理装置中观察到的稳定性极限，证明量子计算有能力为现实世界应用部署机器学习模型。
英文摘要：
In this article, we propose a novel quantum regression model by extending the Real-Part Quantum SVM. We apply our model to the problem of stability limit prediction in milling processes, a key component in high-precision manufacturing. To train our model, we use a custom data set acquired by an extensive series of milling experiments using different spindle speeds, enhanced with a custom feature map. We show that the resulting model predicts the stability limits observed in our physical setup accurately, demonstrating that quantum computing is capable of deploying ML models for real-world applications.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
