Mappe di Caratteristiche Quantistiche Iterative: Un Framework Ibrido per il Machine Learning Quantistico

I ricercatori hanno introdotto le Mappe di Caratteristiche Quantistiche Iterative (IQFM), un framework ibrido che unisce tecniche quantistiche e classiche per creare architetture profonde. Questo metodo collega mappe di caratteristiche quantistiche superficiali con pesi di amplificazione calcolati classicamente in modo iterativo. Affronta le difficoltà associate all'implementazione di mappe di caratteristiche quantistiche profonde su hardware quantistico reale, inclusi il rumore dei circuiti e i limiti hardware, alleviando al contempo le sfide computazionali nella stima del gradiente. Integrando l'apprendimento contrastivo e una strategia di addestramento layer-wise, le IQFM mirano a potenziare la capacità espressiva dei modelli di machine learning quantistico e a ridurre le risorse quantistiche necessarie per l'addestramento. Il framework sfrutta i noti speedup quantistici per compiti di classificazione, cercando di migliorare la praticità di questi modelli per gli odierni dispositivi quantistici a scala intermedia e rumorosi.