发表机构
Red Hat, Inc.（红帽公司）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出量子编码智能体系统，通过自然语言交互自动选择量子机器学习的数据编码策略，结合硬件感知策略和KTA评分，在NISQ约束下实现七种编码的智能选择。
AI 中文摘要
选择数据编码是量子机器学习中一个核心但工具支持不足的决策。特征映射决定了希尔伯特空间的几何结构、量子核的可表达性，以及电路能否在近期硬件上运行。本文提出了量子编码智能体（Quantum Encoding Agents），一个开源系统，将编码选择转变为自然语言交互。给定一个数据集和可选的任务描述，它会对数据进行画像分析，应用考虑硬件的策略（使用约10^{-3}的门错误阈值p*），返回一个可复制的Qiskit电路并附上葡萄牙语或英语的说明，并通过核-目标对齐（Kernel-Target Alignment, KTA）对量子核进行评分。当数值矩阵可用时，它估计相关分形维数D_2，并使用FD-ASE选择原始列，以q* = max(2, ceil(D_2))作为量子比特预算，从而避免在保真度核已崩溃的宽度上提出角度和IQP映射。该服务实现了七种编码家族：振幅、角度、密集角度、IQP、基态、数据重上传和自定义特征映射。在基准数据集上，KTA在现实的NISQ约束下区分了这些编码。
英文摘要
Selecting a data encoding is a central and poorly tooled decision in quantum machine learning. The feature map fixes the geometry of the Hilbert space, the expressibility of quantum kernels, and whether the circuit can run on near-term hardware. This paper presents Quantum Encoding Agents, an open-source system that turns encoding selection into a natural-language interaction. Given a dataset and an optional task description, it profiles the data, applies a hardware-aware policy using the gate-error threshold p* approximately 10^{-3}, returns a copyable Qiskit circuit with a justification in Portuguese or English, and scores the quantum kernel by Kernel-Target Alignment (KTA). When a numerical matrix is available, it estimates the correlation fractal dimension D_2 and selects original columns with FD-ASE, using q* = max(2, ceil(D_2)) as a qubit budget so that angle and IQP maps are not proposed at a width where the fidelity kernel has collapsed. The service implements seven encoding families: amplitude, angle, dense angle, IQP, basis, data re-uploading, and custom feature map. On benchmark datasets, KTA separates these encodings under realistic NISQ constraints.
Comments12 pages, 8 Tables, 6 Figures
