[论文解读] Practical application improvement to Quantum SVM: theory to practice

Jae Eun Park, Brian Quanz+3 more|arXiv (Cornell University)|Dec 14, 2020

Quantum Computing Algorithms and Architecture参考文献 19被引用 27

一句话总结

本文通过引入可调量子核函数（基于旋转参数的浅层酉变换）并加入正则化，对量子支持向量机（QSVM）提出了一项实用增强，实现了在各类数据集上的一致性能表现——在复杂数据上匹配或超越经典SVM的准确率，尤其在经典核函数失效的场景下表现更优。

ABSTRACT

Quantum machine learning (QML) has emerged as an important area for Quantum applications, although useful QML applications would require many qubits. Therefore our paper is aimed at exploring the successful application of the Quantum Support Vector Machine (QSVM) algorithm while balancing several practical and technical considerations under the Noisy Intermediate-Scale Quantum (NISQ) assumption. For the quantum SVM under NISQ, we use quantum feature maps to translate data into quantum states and build the SVM kernel out of these quantum states, and further compare with classical SVM with radial basis function (RBF) kernels. As data sets are more complex or abstracted in some sense, classical SVM with classical kernels leads to less accuracy compared to QSVM, as classical SVM with typical classical kernels cannot easily separate different class data. Similarly, QSVM should be able to provide competitive performance over a broader range of data sets including ``simpler'' data cases in which smoother decision boundaries are required to avoid any model variance issues (i.e., overfitting). To bridge the gap between ``classical-looking'' decision boundaries and complex quantum decision boundaries, we propose to utilize general shallow unitary transformations to create feature maps with rotation factors to define a tunable quantum kernel, and added regularization to smooth the separating hyperplane model. We show in experiments that this allows QSVM to perform equally to SVM regardless of the complexity of the data sets and outperform in some commonly used reference data sets.

研究动机与目标

• 解决在经典SVM表现优异的简单数据集上，QSVM因过拟合与泛化能力差而面临的问题。
• 通过引入灵活可调的量子核配置，弥合经典SVM（使用RBF核）与QSVM之间的性能差距。
• 通过结合量子特征映射与经典正则化技术，实现在含噪声中等规模量子（NISQ）硬件约束下的QSVM实用化部署。
• 证明在经典核函数难以捕捉复杂决策边界的高维复杂数据上，QSVM可超越经典SVM。

提出的方法

• 利用带旋转参数的通用浅层酉变换构建可定制的量子特征映射，扩展了适用量子核的范围。
• 通过参数化量子线路制备的量子态内积构造量子核函数，实现在NISQ设备上的高效计算。
• 将经典正则化技术集成至QSVM训练流程中，以平滑决策边界并减少过拟合。
• 应用主成分分析（PCA）将高维数据降维至2D，用于可视化并生成复杂抽象的数据模式。
• 采用混合量子-经典方法：由量子线路计算核矩阵，经典SVM负责分类与优化。
• 将泡利基的酉门（如Y、Z、YY、ZZ）与旋转因子组合作为超参数进行调优，以针对每组数据优化核函数性能。

实验结果

研究问题

• RQ1 当使用可调量子核函数时，QSVM是否能在简单与复杂数据集上均实现与经典SVM相当的性能？
• RQ2 在NISQ硬件上，QSVM中引入正则化如何影响模型泛化能力并防止过拟合？
• RQ3 基于酉变换的量子核函数在具有复杂非线性决策边界的样本上，相较于经典RBF核函数，性能提升程度如何？
• RQ4 不同量子核配置（如泡利Y、Z、YY、ZZ）对多样化数据集分类准确率的影响如何？
• RQ5 QSVM是否能在从线性可分到高度抽象化的全谱数据复杂度范围内保持一致的性能表现？

主要发现

• 采用可调量子核函数与正则化的QSVM在乳腺癌数据集上达到98%的测试准确率，与经典SVM性能相当。
• 在压缩的手写数字数据集上，采用泡利Y YY核的QSVM达到48%准确率，优于经典SVM的43%。
• 在人工复杂数据集上，泡利Z ZZ核实现100%的测试准确率，显著超越经典SVM的5%。
• 采用优化酉配置的QSVM在所有测试数据集上均保持一致性能，甚至在经典核函数失效的数据集上也实现匹配或超越经典SVM的表现。
• 旋转因子与通用酉变换的引入实现了有效的核函数调优，使QSVM能够适应多样化的数据类型与复杂度水平。
• 混合量子-经典框架使QSVM能够在NISQ设备上实现实用化部署，展示了在真实应用场景中具备鲁棒性与可扩展性。