Модели квантового машинного обучения

Квантовое машинное обучение (QML) стало перспективным направлением использования квантовых вычислений в моделировании на основе данных, особенно для задач с высокой размерностью и сложными корреляциями. Существующие методы, как правило, основываются на фиксированных или пере параметризованных квантовых схемах и поэтому ограничены в масштабируемости и подвержены неэффективной оптимизации на реальном аппаратном обеспечении. В этой главе предлагается гибридная квантово-классическая система обучения, которая адаптивна и обеспечивает обоснованное квантовое кодирование данных, архитектурно-ориентированную разработку вариационных схем и ресурсно-оптимальную оптимизацию. Метод основан на концепциях поиска квантовой архитектуры и преобразований с сохранением подпространства для баланса выразительности и обучаемости, а также дискретизирует квантовую модель в систему классической конвейерной обработки для повышения устойчивости и гибкости. Экспериментальный анализ показывает, что предложенная структура обеспечивает более высокую точность классификации и сходится быстрее по сравнению с представителями вариационных и сверточных квантовых моделей.