机构名称：
¥ 3.0
摘要：在本文中，我们使用 Qiskit Python 环境中的两个量子分类器研究了量子机器学习在分类任务中的适用性：变分量子电路和量子核估计器 (QKE)。我们对这些分类器在六个广为人知且公开可用的基准数据集上使用超参数搜索时的性能进行了首次评估，并分析了它们在两个人工生成的测试分类数据集上的性能如何随样本数量而变化。由于量子机器学习基于酉变换，本文探讨了可能特别适合量子优势的数据结构和应用领域。在此，本文介绍了一种基于量子力学概念的新数据集，使用李代数的指数映射。该数据集将公开，并为量子霸权的实证评估做出了新的贡献。我们进一步比较了 VQC 和 QKE 在六个广泛适用的数据集上的性能，以将我们的结果情境化。我们的结果表明，VQC 和 QKE 的表现优于基本机器学习算法，例如高级线性回归模型（Ridge 和 Lasso）。它们无法与复杂的现代增强分类器（例如 XGBoost、LightGBM 或 CatBoost）的准确性和运行时性能相匹配。因此，我们得出结论，虽然量子机器学习算法在未来有可能超越经典机器学习方法，特别是当物理量子基础设施变得广泛可用时，但它们目前落后于经典方法。我们的调查还表明，与特别使用酉过程的量子方法相比，经典机器学习方法在基于组结构对数据集进行分类方面具有卓越的性能。此外，我们的研究结果强调了不同的量子模拟器、特征图和量子电路对所用量子估计器性能的重大影响。这一观察强调了研究人员需要详细解释他们对量子机器学习算法的超参数选择，因为这一方面目前在该领域的许多研究中被忽视了。为了促进该领域的进一步研究并确保我们研究的透明度，我们在链接的 GitHub 存储库中提供了完整的代码。
论量子机器学习的适用性
主要关键词
相关文件推荐
