Бул изилдөө жүрөк оорусун болжолдоодо классикалык клиникалык маалыматтардын кванттык абалдарга кандайча коддолушу моделдин ийгилигин өзгөртөбү же жокпу, ошону изилдейт. Изилдөөчүлөр 918 бейтапка таандык 11 клиникалык жана физиологиялык өзгөчөлүктү камтыган ачык маалымат топтомун алдын ала иштетүүдөн өткөрүп, Principal Component Analysis (PCA) аркылуу жалпы вариациянын болжол менен %90-ын сактаган 9 компонентке чейин кыскарткан; андан кийин Angle Encoding (AE), Amplitude Encoding (AmE), Basis Encoding (BE), Pauli Encoding (PE) жана ZZ Feature Map (ZZFM) болуп беш кванттык өзгөчөлүк картасын QSVM, QKNN, QRF жана VQC болуп төрт кванттык классификатор менен салыштырган. Беш бүктөмдүү кайчылаш текшерүүдө эң жогорку жалпы тактык QSVM + AE айкалышында %90,26, сезгичтик %92,16, спецификалуулук %83,42, F1-упайы %89,68 жана ROC-AUC 0,93 деп билдирилген. Ошол эле учурда натыйжалардын баары кванттык симулятордо алынган; изилдөө реалдуу кванттык жабдыкта же проспективдүү клиникалык чөйрөдө диагностикалык текшерүү бербейт.

Изилдөөнүн маанилүү натыйжасы кайсы классификатор тандалганы гана эмес, классикалык клиникалык өзгөчөлүктөрдүн кванттык абалга кандайча коддолушу өндүрүмдүүлүктү чоң даражада өзгөртө аларында. Мисалы, QSVM AE менен %90,26 тактыкка жетсе, ошол эле классификатор AmE менен %79,89га түшөт; VQC болсо AE менен %43,48 тактык берип, BE менен %85,87ге көтөрүлөт. Ошондуктан кванттык машина үйрөнүүсүн (Quantum Machine Learning, QML) баалоодо “кванттык модель” жалгыз өзү жетиштүү аныктама эмес; өзгөчөлүк картасы менен классификатор бирге бааланууга тийиш.

Изилдөөнүн негизги суроосу эмне?

Изилдөөнүн борборундагы суроо — жүрөк оорусуна байланыштуу классикалык клиникалык өзгөрмөлөрдүн ар башка кванттык өзгөчөлүк карталары менен көрсөтүлүшү кванттык классификаторлордун өндүрүмдүүлүгүнө кандай таасир этери. Изилдөө айрыкча беш коддоо техникасын жана төрт QML классификаторун бир эле жалпы иш агымында салыштырып, өзгөчөлүктү коддоонун таасирин көрүнүктүү кылууну максат кылат.

Булак маалымат топтомунда 918 бейтап жазуусу, 11 киргизүү өзгөчөлүгү жана бир экилик максаттуу өзгөрмө бар. HeartDisease максатында 1 жүрөк оорусу, 0 нормалдуу абал катары аныкталган.

Маалыматтардын бөлүштүрүлүшү эмнени көрсөтөт?

Изилдөөнүн histogram жана тыгыздык графиктеринде жаш бөлүштүрүлүшү негизинен болжол менен 40–65 жаш аралыгында топтолгону, RestingBP болжол менен 130 mmHg айланасында жана MaxHR болжол менен 140–160 bpm айланасында топтолгону көрүнөт. Cholesterol жана Oldpeak бөлүштүрүлүштөрү оң жакка кыйшайган. Категориялык өзгөчөлүктөр коддолгондон кийин күтүлгөн дискреттүү чоку түзүлүштөрү көрүнөт.

Violin графиктеринде да жаш негизинен 50лердеги жаштарда топтолгону, RestingBPнин чоң бөлүгү 120–150 mmHg айланасында жайгашканы жана Oldpeak өзгөрмөсүнүн узун оң куйругу бар экени көрүнөт. Булак холестерин өзгөрмөсүндө нөлгө жакын кичинекей маанилер тобу placeholder же четки маанилер болушу мүмкүн экенин белгилейт. Ошол эле учурда изилдөөчүлөр бул маанилер PCA алдындагы масштабдоо процесси менен каралганын билдиришет; маалыматтын жарактуулугу өзүнчө клиникалык түрдө текшерилгенине байланыштуу анализ берилбейт.

Корреляциялар эмне дейт?

Изилдөөнүн Pearson корреляция жылуулук картасында HeartDisease максаты менен эң көрүнүктүү байланыштардын айрымдары ST_Slope үчүн −0,56, ExerciseAngina үчүн +0,49, Oldpeak үчүн +0,40, MaxHR үчүн −0,40, ChestPainType үчүн −0,39, Sex үчүн +0,31 жана Age үчүн +0,28 катары көрсөтүлөт.

Бул коэффициенттер маалымат топтомундагы сызыктуу байланыштарды көрсөтөт; алар жалгыз өзү бир өзгөчөлүктүн жүрөк оорусуна себеп болорун далилдебейт. Айрыкча категориялык өзгөрмөлөр label encoding менен санга айландырылгандыктан, Pearson корреляция коэффициенттеринин клиникалык мааниси коддоо формасынан көз карандысыз себептик таасир катары чечмеленбеши керек.

PCA эмне үчүн колдонулган?

Principal Component Analysis эсептөө жүгүн азайтуу жана корреляцияланган баштапкы өзгөрмөлөрдү азыраак сандагы ортогоналдуу компоненттерге айландыруу үчүн колдонулган. Изилдөөнүн түшүндүрүлгөн вариация графигине ылайык, алгачкы 9 негизги компонент жалпы вариациянын болжол менен %90-ын сактайт. Ошондуктан кийинки кванттык коддоо жана классификация этаптарында тогуз компонент колдонулган.

PCA бул жерде клиникалык өзгөрмөлөрдүн түздөн-түз чечмеленүү мүмкүнчүлүгүн азайтып, кванттык схемаларга өткөрүлө турган өлчөмдү чектейт. Натыйжада моделдин кванттык катмары эми түздөн-түз “холестерин”, “жаш” же “MaxHR” үстүндө эмес, алардын сызыктуу бирикмелеринен турган негизги компоненттер үстүндө иштейт.

Беш кванттык өзгөчөлүк картасынын ортосундагы айырма эмне?

Angle Encoding (AE) ар бир классикалык киргизүүнү бир qubit айлануу бурчуна дал келтирет. Булакта негизги туюнтма төмөнкүдөй берилген:

\[ |\psi_{AE}(x)\rangle=U_{AE}(x)|0\rangle^{\otimes n} \]

\[ U_{AE}(x)=\prod_{i=1}^{n}R_y(s(x_i)) \]

Бул жерде \(x_i\) классикалык өзгөчөлүк маанисин, \(s(\cdot)\) маанини ылайыктуу бурч диапазонуна масштабдаган функцияны, \(R_y\) болсо Y огу айланасындагы бир-qubit айлануусун билдирет. Схеманын негизги gate татаалдыгы изилдөөдө \(O(n)\) катары берилет. Изилдөөнүн эң жогорку тактыгы ушул коддоо менен алынган.

Amplitude Encoding (AmE) өзгөчөлүктөрдү qubitтердин айлануу бурчтарына эмес, түздөн-түз кванттык абалдын амплитудаларына жайгаштырат:

\[ |\psi_{AmE}(x)\rangle=\sum_{k=0}^{2^n-1}\alpha_k|k\rangle \]

Булакта \(0\leq k<d\) үчүн \(\alpha_k=x_k/\|x\|_2\), калган абалдар үчүн болсо нөл катары аныкталат. AmEнин артыкчылыгы көбүрөөк классикалык өзгөчөлүктөрдү азыраак qubitтин абал амплитудаларында көрсөтө алышында; кемчилиги болсо жалпы state preparation операциясынын учурдагы кванттык жабдыкта кымбат болушу мүмкүн экенинде.

Basis Encoding (BE) босоголонгон экилик өзгөчөлүк векторун түздөн-түз computational basis абалына айландырат:

\[ |\psi_{BE}(b)\rangle= \left(\prod_{i=1}^{n}X_i^{b_i}\right) |0\rangle^{\otimes n} =|b_1b_2\ldots b_n\rangle \]

Бул ыкма жалгыз X gateтерин талап кылгандыктан, изилдөөдө өтө тайыз жана аз чыгымдуу коддоо катары бааланган. Бирок үзгүлтүксүз өзгөчөлүктөрдү экилик абалга келтирүү маалымат жоготуусун жаратышы мүмкүн.

Pauli Encoding (PE) өзгөчөлүктөрдү ырааттуу Pauli айлануулары менен коддойт:

\[ |\psi_{\mathrm{Pauli}}(x)\rangle= \left( \prod_{i=1}^{n} R_z(\theta_i^{(z)}) R_x(\theta_i^{(x)}) \right)|0\rangle^{\otimes n} \]

Бир гана окко негизделген Angle Encodingге салыштырмалуу байыраак тригонометриялык көрсөтүү түзүүнү максат кылат. Изилдөөдө тайыз схема өзгөчөлүгүн чоң даражада сактап, жөнөкөй qubitтер аралык байланыштарды кошумча entanglement катмарлары менен көрсөтүүгө болору белгиленет.

ZZ Feature Map (ZZFM) болсо өзгөчөлүктөрдүн жекече жана жуптук өз ара таасирлерин кванттык фазага коддойт:

\[ |\psi_{ZZ}(x)\rangle= \exp\left( i\gamma_1\sum_{i=1}^{n}x_iZ_i+ i\gamma_2\sum_{1\leq i<j\leq n}x_ix_jZ_iZ_j \right) \]

Бул жердеги \(x_ix_j\) көбөйтүндү мүчөлөрү экинчи даражадагы өзгөчөлүк өз ара таасирлеринин кванттык абалга түз өткөрүлүшүн камсыз кылат. Мунун баасы болсо AE жана BEге салыштырмалуу көбүрөөк entangling gate жана жогорку схема чыгымы.

QSVM кандай иштейт?

Quantum Support Vector Machine (QSVM) классикалык SVMдин чечим механизмин сактап, үлгүлөрдүн ортосундагы окшоштукту классикалык kernel ордуна кванттык абалдар аркылуу эсептейт. Изилдөөдө кванттык kernel төмөнкүдөй аныкталган:

\[ K(x,z)=|\langle\psi(x)|\psi(z)\rangle|^2 \]

Бул жерде эки бейтаптын PCAдан кийинки өзгөчөлүктөрү алгач тандалган кванттык өзгөчөлүк картасы менен \(|\psi(x)\rangle\) жана \(|\psi(z)\rangle\) абалдарына коддолот. Kernel бул эки абалдын ортосундагы fidelity окшоштугу болуп саналат. SVM чечим функциясы болсо:

\[ f(x)=\operatorname{sign} \left( \sum_i \alpha_i y_iK(x_i,x)+b \right) \]

түрүндө. Демек, изилдөөдөгү “кванттык” салым негизинен өзгөчөлүктөрдүн кванттык мейкиндиктеги көрсөтүлүшүнөн жана kernel эсебинен келет; акыркы классификация логикасы классикалык SVM алкагын колдонот.

Башка кванттык классификаторлор кандай курулган?

QKNN классикалык K-nearest neighbor логикасын сактап, үлгүлөрдүн ортосундагы жакындыкты quantum-state fidelity менен эсептейт. QRF классикалык random forest идеясын shallow variational quantum “trees” аркылуу bagging жамаатына айландырат. VQC болсо изилдөөдө тогуз qubit үстүндө variational катмар колдонот; ар бир qubit үстүндө \(R_Y\) жана \(R_Z\) параметрдик айланууларынан кийин сызыктуу CNOT entanglement чынжыры колдонулат.

Изилдөө эмнени колдойт, эмнени колдобойт?

Колдогон натыйжа: Бул маалымат жана симуляция шарттарында кванттык өзгөчөлүк картасын тандоо классификация өндүрүмдүүлүгүн көрүнүктүү түрдө өзгөрткөн; беш өзгөчөлүк картасынын ичинде AE менен бириктирилген QSVM эң жогорку жалпы тактыкты берген. Айрым башка айкалыштар болсо ар башка критерийлерде алдыга чыккан; мисалы, QSVM+PE %97,06 сезгичтик, VQC+BE болсо %89,02 спецификалуулук жана %90,43 precision билдирген.

Колдобогон натыйжа: Изилдөө кванттык машина үйрөнүүсү жүрөк оорусун диагностикалоодо классикалык машина үйрөнүүсүнөн жалпы түрдө артык экенин далилдебейт. Изилдөө реалдуу кванттык жабдыкта жүргүзүлгөн эмес, проспективдүү клиникалык изилдөө эмес, диагностикалык түзмөктү текшерүүнү камтыбайт жана алынган модель клиникалык чечим кабыл алууда ишенимдүү колдонулушу мүмкүн экенин көрсөтпөйт.

Түркия жагынан эмнени билдирет?

Изилдөө Түркияда жүргүзүлгөн эмес жана Түркиядагы бейтап популяциясына мүнөздүү маалымат колдонбойт. Жаш бөлүштүрүлүшү, оорунун таралышы, клиникалык өлчөө практикалары жана популяция өзгөчөлүктөрү өзгөрүшү мүмкүн болгондуктан, билдирилген өндүрүмдүүлүк маанилери Түркиядагы саламаттык сактоо мекемелерине түз өткөрүлө албайт. Түркия контекстинде колдонулганга чейин жергиликтүү бейтап маалыматы үстүндө көз карандысыз текшерүү, калибрлөө, клиникалык өндүрүмдүүлүк жана ката анализи талап кылынат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Башынан аягына чейин изилдөө агымы

1. 918 бейтап жазуусу жана 11 клиникалык/физиологиялык өзгөчөлүктү камтыган маалымат топтому алынды.
2. Маалымат тазалоо жүргүзүлдү; категориялык өзгөрмөлөр label encoding менен санга айландырылды.
3. Бөлүштүрүлүштөр histogram, density plot, violin plot жана Pearson корреляция жылуулук картасы менен изилденди.
4. PCA колдонулду жана жалпы вариациянын болжол менен %90-ын түшүндүргөн 9 негизги компонент тандалды.
5. Маалыматтар AE, AmE, BE, PE жана ZZFM ыкмалары менен кванттык абалдарга коддолду.
6. QSVM, QKNN, QRF жана VQC классификаторлору ар башка өзгөчөлүк карталары менен бааланды.
7. Өндүрүмдүүлүк беш бүктөмдүү кайчылаш текшерүү менен; accuracy, specificity, sensitivity, precision, F1-score, Cohen's kappa жана ROC-AUC аркылуу өлчөндү.
8. Эң жакшы QSVM+AE модели кошумча түрдө экинчи жүрөк оорусу маалымат топтомунда бааланды.

Беш өзгөчөлүк картасында кайсы айкалыш алдыга чыкты?

Төмөнкү маанилер булак изилдөөдөгү Таблица 3–7 жана Сүрөт 13тө ар бир коддоо ыкмасы үчүн алдыга чыккан конфигурацияларды көрсөтөт. Маанилер ошол эле изилдөөдөгү натыйжалардан алынганы менен, ар бир конфигурациянын чечим геометриясы ар башка; бир гана өндүрүмдүүлүк метрикасы клиникалык артыкчылыкты жалгыз аныктабайт.

Бул салыштырууда QSVM + AE эң жогорку жалпы accuracy маанисин берсе, QSVM + PEнин sensitivity мааниси жогорураак. VQC + BE болсо эң жогорку specificity жана precision маанилеринин айрымдарын берет. Демек, “эң жакшы” деген аныктама тандалган клиникалык ката чыгымына жараша өзгөрүшү мүмкүн; мисалы, ооруну өткөрүп жиберүүнүн жана дени сак адамды жалган позитивдүү классификациялоонун таасири бирдей эмес.

QSVM + AEнин беш бүктөмдүү кайчылаш текшерүүсү

Булактын нормалдаштырылган жаңылыштык матрицасы ооруу жок класстын болжол менен %83ү жана ооруу бар класстын болжол менен %92си туура классификацияланганын көрсөтөт. ROC графигинин AUC мааниси 0,93. Бул өндүрүмдүүлүк ошол эле маалымат жана симуляция иш агымындагы класстарды ажыратуу жөндөмүн көрсөтөт; клиникалык сезгичтик же спецификалуулук текшерүүсү катары чечмеленбеши керек.

Классикалык SVM менен салыштырганда айырма канча?

Изилдөөчүлөр акыркы QSVM+AE моделин ошол эле баалоо чөйрөсүндөгү классикалык SVM kernelдери менен да салыштырган. Сүрөт 16да тактык маанилери сызыктуу SVM үчүн %86,97, полином kernel үчүн %88,5, RBF kernel үчүн %89,5 жана QSVM үчүн %90,26 катары берилген.

Бул натыйжа QML конфигурациясы изилдөөдөгү эң күчтүү классикалык SVM версиясынан сандык жактан жогору тактык бергенин көрсөтөт. Бирок изилдөө бул кичинекей өндүрүмдүүлүк айырмасы үчүн статистикалык маанилүүлүк тестин же ишеним аралыгына негизделген артыкчылык анализин бербейт. Ошондуктан натыйжаны “кванттык машина үйрөнүүсү классикалык ыкмадан жалпы түрдө артык” деп кеңейтүүгө болбойт.

Экинчи маалымат топтомундагы текшерүү эмнени көрсөттү?

QSVM+AE модели 1000 бейтап жазуусу жана 15 өзгөчөлүктү камтыган башка бир жүрөк оорусу маалымат топтомунда да бааланган. Изилдөөнүн Сүрөт 17синде бул тышкы баалоо үчүн accuracy 0,8969, specificity 0,8561, sensitivity 0,9118, precision 0,8884, F1-score 0,8999, kappa 0,7705 жана AUC 0,9186 катары отчет берилет.

Экинчи маалымат топтомундагы өндүрүмдүүлүк модель толугу менен бир гана баштапкы маалымат бөлүгүнө байланбаганын ойлоткон кошумча тест болуп саналат. Ошол эле учурда булакта бул текшерүү проспективдүү клиникалык изилдөө, ар башка ооруканалардан көз карандысыз бейтап когорту же реалдуу кванттык жабдык тести экени айтылбайт.

Кванттык схема чыгымдары

Бул кубат чыгымдары физикалык кванттык процессордо өлчөнгөн энергия керектөөсү эмес. Изилдөөчүлөр бардык эксперименттер симуляцияда жасалганын жана энергия баалоосу салыштырмалуу, сапаттык эсептөө чыгымынын көрсөткүчү гана экенин ачык белгилешет.

Реалдуу кванттык компьютер эмне үчүн маанилүү кийинки тест?

Симулятордо логикалык qubitтер идеалдаштырылган шарттарда колдонулушу мүмкүн. Физикалык кванттык жабдыкта болсо qubit байланыш картасы, кошумча routing gateтери, transpilation, gate error, readout error, calibration өзгөрмөлүүлүгү жана decoherence схема жүрүм-турумун өзгөртө алат. Изилдөөдө бул таасирлердин эч бири benchmark иш агымына кошулган эмес.

Ошондуктан AE, BE жана PE схемаларынын “near-term hardware” жагынан үмүт берери тууралуу баалоо жабдык өлчөөсү эмес, схема түзүлүшүнө негизделген сапаттык тыянак. Реалдуу NISQ жабдыгында ошол эле тактыктар сакталып-сакталбашы бул изилдөө менен аныкталган эмес.

Булак ичиндеги маанилүү дал келбестиктер

Precision дал келбестиги: Кыскача маалымат QSVM+AE precision маанисин %88,89 деп берет. Буга каршы Таблица 3, Сүрөт 13 жана беш бүктөмдүү натыйжалардын орточосу 0,8739, башкача айтканда %87,39. Эки маани бир эле метрика үчүн дал келбейт. Бул макалада деталдуу натыйжа таблицаларындагы 0,8739 мааниси колдонулган, кыскача маалыматтагы маанинин айырмалуу экени өзүнчө белгиленген.

Qubit саны дал келбестиги: Amplitude Encoding түшүндүрмөсү \(n=\lceil\log_2d\rceil\) qubit керек экенин айтса, PCAдан кийин \(d=9\) өзгөчөлүк колдонулат. Буга каршы ыкма бөлүмү “бул изилдөөдө бардык эксперименттерде 9 qubit колдонулган” деген билдирүүнү камтыйт жана дароо андан кийин 9 компоненттин “көпчүлүк коддоо стратегияларында” 9 qubitке дал келтирилгенин белгилейт. Изилдөө AmEнин иш жүзүндө так канча qubit менен жүргүзүлгөнүн бул эки билдирүүнүн ортосунда ачык шайкеш келтирбейт.

Жалпы артыкчылык билдирүүсү: Кыскача маалымат натыйжалар классикалык state-of-the-art ыкмалардан артык экенин билдирсе, макаланын өзүнүн адабият салыштыруусунда %97,06 жана %99,96 тактык билдирген мурунку изилдөөлөр бар. Натыйжа бөлүмүндө болсо авторлор этият түрдө табылгалар классикалык MLге салыштырмалуу жалпы артыкчылыктын далили катары чечмеленбеши керек экенин ачык белгилешет. Бул экинчи чек илимий чечмелөө жагынан негиз катары алынууга тийиш.

Булак жана Ыкма Жөнүндө Эскертүү

Толук түпнуска изилдөө аталышы: A Comparative Study of Quantum Feature Maps and Quantum Classifiers for Heart Disease Prediction

Авторлор: Muhammad Minoar Hossain; Md. Hasibul Hassan Himal; Arslan Munir.

Тең биринчи/тең салым: Булакта көрсөтүлгөн эмес.

Жооптуу автор: Arslan Munir.

Мекемелер: Department of Electrical Engineering and Computer Science, Florida Atlantic University, Boca Raton, Florida, АКШ; Department of Computer Science and Engineering, Bangladesh University, Dhaka, Бангладеш.

Булак түрү: Рецензияланган изилдөө макаласы; симуляцияга негизделген кванттык машина үйрөнүүсү жана маалымат анализи изилдөөсү. Проспективдүү клиникалык изилдөө эмес.

Журнал: AI.

Басма: MDPI, Basel, Швейцария.

Библиографиялык жазуу: AI, 2026, 7(5), Макала 180.

DOI: 10.3390/ai7050180.

Кабыл алынышы / ревизия / кабыл алуу / жарыялоо: 25 Февраль 2026 / 16 Май 2026 / 18 Май 2026 / 21 Май 2026.

Расмий жарыя шилтемеси: DOI 10.3390/ai7050180 аркылуу MDPIнин расмий макала жазуусу.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөө тышкы каржылоо алган эмес.

Этикалык комитет: Institutional Review Board Statement “Not applicable” катары билдирилген.

Маалымдалган макулдук: “Not applicable” катары билдирилген.

Маалымат жеткиликтүүлүгү: Негизги жүрөк оорусу маалымат топтому Kaggleда ачык жеткиликтүү экени белгиленет.

Кызыкчылыктар кагылышы: Авторлор кызыкчылыктар кагылышы жок экенин билдиришкен.

Жасалма интеллект колдонуу билдирүүсү: Авторлор макаланын ар түрдүү бөлүмдөрүндөгү англисче баяндын түшүнүктүүлүгүн жана тил сапатын жакшыртуу үчүн жасалма интеллектке негизделген чат жардамчыларынан пайдаланганын жана бардык авторлор бул билдирүүнү карап чыгып бекиткенин белгилешет.

Автордук салымдар: Концептуалдаштыруу M.M.H. жана A.M.; методология M.M.H. жана A.M.; текшерүү M.H.H.H. жана A.M.; formal анализ M.H.H.H. жана A.M.; изилдөө A.M. жана M.M.H.; ресурстар M.H.H.H. жана A.M.; алгачкы долбоор M.H.H.H. жана M.M.H.; карап чыгуу жана редакциялоо A.M. жана M.H.H.H.; визуалдаштыруу M.M.H.; кеңешчилик A.M. тарабынан жүргүзүлгөн.

Илимий чечмелөө чеги

Бул изилдөө жүрөк оорусуна диагноз койгон клиникалык кванттык түзмөктүн баалоосу эмес. Колдонулган 918 жазуулуу маалымат топтому жана экинчи 1000 жазуулуу маалымат топтому үстүндө жүргүзүлгөн эсептөөчү классификация эксперименти. Бардык кванттык натыйжалар симулятор чөйрөсүнөн келет. Физикалык qubitтер, реалдуу quantum backend, hardware noise, decoherence, coupling constraints, routing overhead жана readout error түздөн-түз текшерилген эмес.

QSVM+AEнин %90,26 тактыгы жана 0,93 AUC мааниси бул изилдөөнүн маалымат топтому, preprocessing, PCA, quantum feature map жана cross-validation шарттарына тиешелүү. Бул маанилер реалдуу бейтаптарда %90,26 диагностикалык ийгилик кепилдиги дегенди билдирбейт.

Айрыкча изилдөөнүн классикалык RBF-SVM салыштыруусу QSVM пайдасына сандык айырма көрсөткөнү менен, бул айырма үчүн билдирилген статистикалык артыкчылык тести жок. Ошондуктан изилдөө кванттык машина үйрөнүүсүнүн классикалык машина үйрөнүүсүнө жалпы артыкчылыгынын далили катары сунушталбашы керек.