El aprendizaje automático cuántico ha emergido como un enfoque prometedor para mejorar la eficiencia computacional aprovechando los principios de la computación cuántica. Sin embargo, las limitaciones de los actuales dispositivos de Quantum Intermedio Ruidoso (NISQ), como el ruido, la disponibilidad limitada de qubits y las restricciones de profundidad de circuito, restringen la implementación de modelos completamente cuánticos. Para abordar estos desafíos, este estudio se centra en el diseño, la implementación y la evaluación del rendimiento de modelos híbridos de aprendizaje automático cuántico-clásico (HQML). El enfoque propuesto integra circuitos cuánticos parametrizados con técnicas de optimización clásica para permitir un aprendizaje eficiente dentro de entornos NISQ. El estudio emplea conjuntos de datos de referencia estándar, incluyendo Iris, Cáncer de Mama y MNIST, para evaluar el rendimiento del modelo híbrido. Los resultados indican que el modelo HQML logra una precisión competitiva en conjuntos de datos pequeños y medianos, manteniendo una precisión, recall y F1-score balanceados. Sin embargo, el rendimiento disminuye para conjuntos de datos complejos debido a las limitaciones del hardware y los efectos del ruido. Además, el modelo híbrido demuestra un número menor de parámetros en comparación con modelos de aprendizaje profundo clásicos, pero requiere más tiempo de entrenamiento debido a la optimización cuántico-clásica iterativa. Los hallazgos destacan que los modelos híbridos cuántico-clásicos proporcionan un enfoque práctico y escalable para utilizar la computación cuántica en el panorama tecnológico actual. Aunque persisten desafíos relacionados con el ruido, la escalabilidad y la sobrecarga computacional, se esperan avances en hardware cuántico y diseño de algoritmos para mejorar el rendimiento. Este estudio contribuye al creciente campo del aprendizaje automático cuántico al proporcionar un marco sistemático para evaluar modelos híbridos en dispositivos NISQ e identificar áreas clave para futuras investigaciones.
Sunil et al. (Thu,) estudiaron esta cuestión.