Аннотация:
Квантовое машинное обучение (QML) ставит целью использовать возможности квантовых вычислений для улучшения классических методов анализа данных и распознавания образов. В данной работе мы предлагаем гибридную квантово-классическую схему для классификации и кластеризации квантовых состояний. Квантовая подпрограмма оценивает парные сходства между состояниями с помощью процедуры на основе SWAP-теста, формируя матрицу ядра, которая служит входными данными для классической машины опорных векторов (SVM). Такая гибридная конструкция сочетает квантовое извлечение признаков с эффективной классической оптимизацией. Общие вычислительные затраты на классическом этапе масштабируются полиномиально с числом образцов и остаются независимыми от размерности гильбертова пространства, в то время как квантовая часть зависит только от глубины схемы подготовки состояний. В результате предложенный метод хорошо подходит для реализации на квантовых устройствах среднего масштаба с шумом (NISQ). Данный подход предоставляет масштабируемый инструмент для анализа квантовых данных и различения сложных квантовых состояний, где классические методы становятся неприменимыми.
