ML Quantistico vs Classico: Benchmarking del Riconoscimento di Immagini su MNIST
Una recente indagine pubblicata su arXiv (2605.27923) valuta tecniche di machine learning classiche e quantistiche per il riconoscimento di immagini, utilizzando specificamente il dataset MNIST di cifre scritte a mano. L'analisi prevede confronti tra Support Vector Machine Classico (CSVM) e Support Vector Machine Quantistico (QSVM), insieme a Rete Neurale Convoluzionale Classica (CCNN) e Rete Neurale Convoluzionale Quantistica (QCNN). Vengono valutati fattori come accuratezza di classificazione, tempo di calcolo, numero di parametri e fabbisogno di memoria attraverso diverse dimensioni delle feature e dimensioni del campione, utilizzando sia configurazioni CPU che GPU. L'obiettivo di questa ricerca è determinare se il calcolo quantistico offra vantaggi tangibili rispetto agli approcci classici per compiti legati alla visione artificiale.
Fatti principali
- Lo studio confronta modelli ML classici e quantistici sul dataset MNIST
- Modelli confrontati: CSVM, QSVM, CCNN, QCNN
- Metriche: accuratezza, tempo di esecuzione, numero di parametri, memoria
- Esperimenti variano dimensionalità delle feature e dimensione del campione
- Esecuzione su ambienti CPU e GPU
- Pubblicato su arXiv con ID 2605.27923
- Motivato dai limiti computazionali dei modelli classici
- Il calcolo quantistico esplorato come nuovo paradigma per il riconoscimento di immagini
Entità
Istituzioni
- arXiv