Cet article présente une approche entièrement quantique pour l'entraînement des machines à vecteurs de support (SVM) en intégrant des méthodes de noyau quantique basées sur des portes et une optimisation par recuit quantique. Les noyaux quantiques sont construits à l'aide de diverses cartes de caractéristiques et configurations de qubits, et leur aptitude est évaluée par alignement noyau-cible (KTA). Le problème dual SVM est reformulé en un problème d'optimisation binaire quadratique sans contrainte (QUBO) et résolu à l'aide d'un recuit quantique. Les résultats expérimentaux démontrent que l'alignement élevé des noyaux et des paramètres de régularisation appropriés contribuent à des performances compétitives, le modèle le plus performant atteignant un score F1 de 90 %. Ces résultats soulignent la faisabilité d'un pipeline d'entraînement quantique de bout en bout et le potentiel des architectures quantiques hybrides dans les environnements de calcul quantique haute performance (QHPC).
