本研究では、量子機械学習における対称性の利点を活かすための自動化されたパイプライン「Twirlator」を開発しています。対称性は幾何学的な深層学習および均等量子機械学習の性能向上に重要ですが、量子機械学習における実用的なコストについては十分に理解されていません。学習問題に現れる対称性の程度を定義し、19種類の一般的な Ansatz を様々なサイズの部分群に対して対称化して、構造の変化を測定しました。結果として、対称性の増加が回路の表現力を低下させる一方で、エンタングルメント能力は向上する場合が多いことが確認されました。これにより、幾何学的な量子機械学習アプリケーションにおいて、表現力と計算効率の高い Ansatz のパターンを選択する手助けとなります。