Интеграция квантовых вычислительных моделей в конвейеры анализа данных
Боковая панель статьи
Основное содержимое статьи
Аннотация
В условиях роста сложности и размерности данных традиционные методы машинного обучения сталкиваются с ограничениями в выразительной мощности, масштабируемости и вычислительной эффективности. В данной работе рассмотрен подход к построению гибридных конвейеров анализа данных, интегрирующих классические и квантовые вычислительные модели. С использованием фреймворка для квантовых вычислений PennyLane и библиотек машинного обучения PyTorch и Sciki-learn были разработаны архитектуры для задачи классификации, ключевым элементом которых являются вариационные квантовые схемы, интегрированные в классический конвейер с модулями предобработки признаков и постобработки измерений. В ходе экспериментального исследования проведён сравнительный анализ классических и гибридных моделей на выборках различного объема с использованием трех альтернативных топологий запутывания в квантовых схемах. Полученные результаты подтверждают конкурентоспособную точность гибридных моделей и свидетельствуют об их перспективности для работы со сбалансированными наборами данных и в условиях ограниченного объема выборок.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Paleyes A., Urma R.-G., Lawrence N. D. Challenges in Deploying Machine Learning: a Survey of Case Studies // ACM computing surveys. – 2022. – Т. 55. – С. 1-29. – DOI: 10.1145/3533378.
A comprehensive survey of anomaly detection techniques for high dimensional big data / S. Thudumu, P. Branch, J. Jin, J .Singh // Journal of Big Data. – 2020. – Т. 7 – С. 42. – DOI: 10.1186/s40537-020-00320-x.
Hair J. F., Sarstedt M. Data, measurement, and causal inferences in machine learning: opportunities and challenges for marketing // Journal of Marketing Theory and Practice. – 2021. – Т. 29, № 1. – С. 65–77. – DOI: 10.1080/10696679.2020.1860683.
Liu Y., Arunachalam S., Temme K. A rigorous and robust quantum speed-up in supervised machine learning // Nature Physics. – 2021. – Т. 17, №9. – С. 1013–1017. – DOI: 10.1038/s41567-021-01287-z.
Power of data in quantum machine learning / H. Y. Huang, M. Broughton, M. Mohseni [и др.] // Nature communications. – 2021. – Т. 12, № 1. – С. 2631. – DOI: 10.1038/s41467-021-22539-9.
Quantum advantage in learning from experiments / H.Y. Huang, M. Broughton, J. Cotler [и др.] // Science. – 2022. –Т. 376, № 6598. – С. 1182-1186. – DOI: https://doi.org/10.1126/science.abn7293.
Preskill J. Quantum Computing in the NISQ era and beyond // Quantum. – 2018. – Т. 2. – С. 79. – DOI: 10.22331/q-2018-08-06-79.
Simakov I. A., Besedin I. S. Low-overhead quantum error-correction codes with a cyclic topology // Phys. Rev. A. – 2025. – Т. 111, № 1. – С. 012444. – DOI: 10.1103/PhysRevA.111.012444.
The XZZX surface code / J. P. Bonilla Ataides, D. K. Tuckett, S. D. Bartlett [и др.] // Nature communications. – 2021. – Т. 12, №1. – С. 2172. – DOI: 10.1038/s41467-021-22274-1.
Гузик В. Ф., Гушанский С. М., Потапов В. С. Разработка и исследование квантовой модели обработки информации с учетом присутствия квантового шума // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2023. – №3 (326). – С. 48-56.
Variational quantum algorithms / M. Cerezo, A. Arrasmith, R. Babbush[и др.] // Nature Reviews Physics. – 2021. – Т. 3, № 9. – С. 625–644. – DOI: 10.1038/s42254-021-00348-9.
Ахмед С. Х. Сравнение классических подходов машинного обучения с гибридными квантовыми подходами в прикладных задачах // Моделирование и анализ данных. – 2023. – Т. 13, № 3. – C. 96–112. – DOI: 10.17759/mda.2023130307.
Miessen A., Ollitrault P. J., Tavernelli I. Quantum algorithms for quantum dynamics: A performance study on the spin-boson model // Physical Review Research. – 2021. – Т. 3, №4. – С. 043212. – DOI: 10.1103/PhysRevResearch.3.043212.
Cost function dependent barren plateaus in shallow parametrized quantum circuits / M. Cerezo, A. Sone, T. Volkoff [и др.] // Nature communications. – 2021. – Т. 12, №1. – С. 1791. – DOI: 10.1038/s41467-021-21728-w.
Sukulthanasorn N., Terada K. Quantum neural network-assisted topology optimization: Concept and implementation with parameterized quantum circuits // Computer Methods in Applied Mechanics and Engineering. – 2025. – Т.448. –С. 118411. – DOI: 10.1016/j.cma.2025.118411.
Noisy intermediate-scale quantum (NISQ) algorithms / K. Bharti, A. Cervera-Lierta, T.H. Kyaw [и др.] // Reviews of Modern Physics. – 2022. – Т. 94, №1. – С. 015004. – DOI: 10.1103/RevModPhys.94.015004.
Pölöskei I. MLOps approach in the cloud-native data pipeline design // Acta Technica Jaurinensis. – 2021. – Т. 15, №1. – С. 1-6. – DOI: 10.14513/actatechjaur.00581.
Hutter F. Automated Machine Learning: methods, systems, challenges / F. Hutter, L. Kotthoff, J. Vanschoren. – Springer Cham, 2019. – 219 с. – DOI: 10.1007/978-3-030-05318-5.
Zöller M.-A., Huber M. Benchmark and Survey of Automated Machine Learning Frameworks // Journal of Artificial Intelligence Research. – 2021. – Т. 70. – С. 409-472. – DOI: 10.1613/jair.1.11854.
Ajayi J. Enhancing quantum data preprocessing in hybrid models: pioneering the quantum frontiers of machine learning introduction // International Journal of Artificial Intelligence Tools. – 2024. – URL: https://www.researchgate.net/publication/378593521_ENHANCING_QUANTUM_DATA_PREPROCESSING_IN_HYBRID_MODELS_PIONEERING_THE_QUANTUM_FRONTIERS_OF_MACHINE_LEARNING_INTRODUCTION.
Rath M., Date H. Quantum data encoding: a comparative analysis of classical-to-quantum mapping techniques and their impact on machine learning accuracy // EPJ Quantum Technol. – 2024. – Т. 11, № 1. – С. 72. – DOI: 10.1140/epjqt/s40507-024-00285-3.
Quantum machine learning / J. Biamonte, P. Wittek, N. Pancotti [и др.] // Nature. — 2017. — Т. 549, № 7671. – С. 195-202. – DOI: 10.1038/nature23474.
Schnabel, J., Roth, M. Quantum kernel methods under scrutiny: a benchmarking study // Quantum Machine Intelligence. – 2025. – Т. 7, № 1. – С. 58. – DOI: 10.1007/s42484-025-00273-5.
Souza A. B. M., Cruz C., Moret M. A. Qiskit Variational Quantum Classifier on the Pulsar Classification Problem // arXiv preprint. – Дата публикации: 21.05.2025. – DOI: 10.48550/arXiv.2505.15600.
Нахимовс Н., Сантос Р. А. М., Хадиев К. Р. Квантовые блуждания могут не найти отмеченные смежные вершины // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. – 2019. – №1. – С. 33-40.
Quantum-inspired clustering with light / M. Varga, P. Bermejo, R. Pellicer-Guridi [и др.] // Scientific Reports. – 2024. – Т. 14, № 1. – С. 21726. – DOI: 10.1038/s41598-024-73053-z
Shi X., Shang Y., Guo C. Quantum inspired K-means algorithm using matrix product states // arXiv preprint. – Дата публикации: 11.05.2020. – DOI: 10.48550/arXiv.2006.06164.
Оценка возможностей классических компьютеров при реализации симуляторов квантовых алгоритмов / П. В. Зрелов, О. В. Иванцова, В. В. Кореньков [и др.] // Программные продукты и системы. – 2022. – № 4. – C. 618-630. – DOI: 10.15827/0236-235X.140.618-630.
Quantum embeddings for machine learning / S. Lloyd, M. Schuld, A. Ijaz [и др.] // arXiv preprint. – Дата публикации: 10.01.2020. – DOI: 10.48550/arXiv.2001.03622.