इस शोधपत्र में, हम गैर-रेखीय कारण संरचनाओं वाले वास्तविक दुनिया के डेटा में कारण संबंधों की खोज के लिए एक नया क्वांटम पीटर-क्लार्क (QPC) एल्गोरिदम प्रस्तावित करते हैं। मौजूदा कारण विश्लेषण विधियों के विपरीत, जिनमें अंतर्निहित मॉडल संरचना के बारे में धारणाओं की आवश्यकता होती है, qPC एल्गोरिदम क्वांटम सर्किट द्वारा विशेषता वाले पुनरुत्पादनीय कर्नेल हिल्बर्ट स्पेस में सशर्त स्वतंत्रता परीक्षणों के आधार पर यादृच्छिक वितरण से खींचे गए अवलोकन डेटा से कारण संबंधों की खोज करता है। प्रायोगिक परिणाम दिखाते हैं कि qPC एल्गोरिदम मौजूदा एल्गोरिदम से बेहतर प्रदर्शन करता है, खासकर छोटे सैंपल साइज़ में, और कर्नेल टारगेट अलाइनमेंट (KTA) पर आधारित एक नए अनुकूलन दृष्टिकोण के माध्यम से प्रभावी रूप से गलत सकारात्मकता को कम करके विश्वसनीय अनुमान लगाने में सक्षम बनाता है। हम बोस्टन हाउसिंग कीमतों, हृदय रोग और जैविक सिग्नलिंग सिस्टम डेटासेट का उपयोग करके व्यावहारिक अनुप्रयोग अध्ययनों के माध्यम से इसकी प्रभावशीलता को सत्यापित करते हैं।
