ترجمه فارسی مقاله معیار آموزش یادگیری ماشین کوانتومی برای کارهای طبقه بندی

چکیده

Quantum-enhanced machine learning is a rapidly evolving field that aims to leverage the unique properties of quantum mechanics to enhance classical machine learning. However, the practical applicability of these methods remains an open question, particularly in the context of real-world datasets and the limitations of current quantum hardware. This work performs a benchmark study of Quantum Kernel Estimation (QKE) and Quantum Kernel Training (QKT) with a focus on classification tasks. Through a series of experiments, the versatility and generalization capabilities of two quantum feature mappings, namely ZZFeatureMap and CovariantFeatureMap, are analyzed in this context. Remarkably, these feature maps have been proposed in the literature under the conjecture of possible near-term quantum advantage and have shown promising performance in ad-hoc datasets. This study explores both artificial and established reference datasets and incorporates classical machine learning methods, specifically Support Vector Machines (SVMs) and logistic regression, as baseline comparisons. Experimental results indicate that quantum methods exhibit varying performance across different datasets. While they outperform classical methods in ad-hoc datasets, they frequently encounter difficulties in generalizing to unseen test data when dealing with reference classical datasets, even if achieving high classification accuracy on the training data. It is suggested that the choice of the feature mapping and the optimization of kernel parameters through QKT are critical for maximizing the effectiveness of quantum methods.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشینی با افزایش کوانتومی یک زمینه به سرعت در حال تحول است که هدف آن استفاده از خواص منحصر به فرد مکانیک کوانتومی برای تقویت یادگیری ماشین کلاسیک است.با این حال ، کاربرد عملی این روش ها همچنان یک سؤال باز است ، به ویژه در زمینه مجموعه داده های دنیای واقعی و محدودیت های سخت افزار کوانتومی فعلی.این کار یک مطالعه معیار برآورد هسته کوانتومی (QKE) و آموزش هسته کوانتومی (QKT) با تمرکز بر کارهای طبقه بندی انجام می دهد.از طریق یک سری آزمایشات ، قابلیت های تطبیق پذیری و تعمیم دو نقشه برداری ویژگی کوانتومی ، یعنی ZzFeatureMap و CovarianTfeatureMap ، در این زمینه مورد تجزیه و تحلیل قرار می گیرند.نکته قابل توجه ، این نقشه های ویژگی در ادبیات تحت حدس از مزیت کوانتومی نزدیک مدت ممکن ارائه شده است و عملکرد امیدوار کننده ای را در مجموعه داده های موقت نشان داده اند.این مطالعه به بررسی مجموعه داده های مرجع مصنوعی و تأسیس شده و روشهای یادگیری ماشین کلاسیک ، به طور خاص از ماشین های بردار (SVM) و رگرسیون لجستیک ، به عنوان مقایسه پایه استفاده می کند.نتایج تجربی نشان می دهد که روشهای کوانتومی عملکرد متفاوتی را در مجموعه داده های مختلف نشان می دهند.در حالی که آنها از روشهای کلاسیک در مجموعه داده های موقت بهتر عمل می کنند ، آنها اغلب در تعمیم داده های آزمون غیب هنگام برخورد با مجموعه داده های کلاسیک مرجع ، حتی اگر به دقت طبقه بندی بالا در داده های آموزشی دست یابند ، با مشکلات روبرو می شوند.پیشنهاد شده است که انتخاب نقشه برداری ویژگی و بهینه سازی پارامترهای هسته از طریق QKT برای به حداکثر رساندن اثربخشی روشهای کوانتومی بسیار مهم است.