Quantum-Embedding-Suche für Quantum-Maschinenlernen

Dieses Papier führt einen automatisierten Suchalgorithmus (QES, ausgesprochen als „Quest“) ein, der das optimale Design des Verschränkungslayouts für überwachtes Quantum-Maschinenlernen ableitet. Zuerst stellen wir die Verbindung zwischen den Strukturen der Verschränkung unter Verwendung von CNOT-Gattern und den Darstellungen von gerichteten Multigraphen her, was einen gut definierten Suchraum ermöglicht. Das vorgeschlagene Kodierungsschema der Quantenverschränkung als Genotypvektoren überbrückt die Ansatzoptimierung und das klassische Maschinenlernen, was eine effiziente Suche in jedem gut definierten Suchraum ermöglicht. Zweitens initiieren wir das Verschränkungsniveau, um die Kardinalität des Suchraums auf eine praktikable Größe für praktische Implementierungen zu reduzieren. Schließlich mindern wir die Kosten für die Bewertung der tatsächlichen Verlustfunktion, indem wir Surrogatmodelle über sequenzielle modellbasierte Optimierung verwenden. Wir demonstrieren die Durchführbarkeit unseres vorgeschlagenen Ansatzes an simulierten und Benchmark-Datensätzen, einschließlich Iris-, Wein- und Brustkrebsdatensätzen, was empirisch zeigt, dass die durch QES gefundene Quanten-Embedding-Architektur in Bezug auf die prädiktive Leistung bessere Ergebnisse als manuelle Entwürfe erzielt.