量子科技中心_量科网

在该工作中，数据降维技术经常被应用于量子机器学习模型的构建过程，以解决两个关键问题：受限于噪声和有限量子比特数的NISQ（含噪声中等规模量子）器件约束，以及在经典设备上模拟大量量子比特的挑战。但这也引发了这些方法的可扩展性担忧，因为数据降维方法难以快速适应大型数据集。本文系统分析了数据缩减方法对不同量子机器学习模型的影响机制。该研究团队基于多组生成数据集、量子机器学习算法、量子数据编码方法和数据降维方法开展了对比实验，所有模型均通过准确率、精确率、召回率和F1分数等性能指标进行评估。研究结果表明，采用数据降维方法会导致性能指标值出现偏差，进而错误估计量子机器学习模型的实际性能。除降维方法外，尚有其他因素会加剧这一问题，包括数据集特征、经典-量子信息嵌入方法、特征降维比例、量子模型关联的经典组件，以及量子机器学习模型结构等。该团队发现，使用与不使用数据降维技术的模型间存在14%至48%的准确率波动区间。此外，观察还表明某些数据降维方法在特定数据嵌入方案和拟设（ansatz）结构下表现更优。