Optimization of Quantum-Enhanced Machine Learning: Simulation and Validation
Jiří Viták
Abstract
Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.