[论文解读] QEML (Quantum Enhanced Machine Learning): Using Quantum Computing to Enhance ML Classifiers and Feature Spaces

Siddharth Sharma|arXiv (Cornell University)|Feb 22, 2020

Quantum Computing Algorithms and Architecture参考文献 19被引用 12

一句话总结

本文提出QEML，一种量子增强的机器学习框架，通过利用量子特征空间来提升经典K近邻（KNN）分类器的性能。通过使用变分量子线路将数据编码到量子希尔伯特空间，并利用量子并行性测量汉明距离，QKNN模型在10维乳腺癌数据集上的表现优于经典KNN，展示了通过特征表示中的量子优势实现的更低计算成本和更高的可扩展性。

ABSTRACT

Machine learning and quantum computing are two technologies that are causing a paradigm shift in the performance and behavior of certain algorithms, achieving previously unattainable results. Machine learning (kernel classification) has become ubiquitous as the forefront method for pattern recognition and has been shown to have numerous societal applications. While not yet fault-tolerant, Quantum computing is an entirely new method of computation due to its exploitation of quantum phenomena such as superposition and entanglement. While current machine learning classifiers like the Support Vector Machine are seeing gradual improvements in performance, there are still severe limitations on the efficiency and scalability of such algorithms due to a limited feature space which makes the kernel functions computationally expensive to estimate. By integrating quantum circuits into traditional ML, we may solve this problem through the use of quantum feature space, a technique that improves existing Machine Learning algorithms through the use of parallelization and the reduction of the storage space from exponential to linear. This research expands on this concept of the Hilbert space and applies it for classical machine learning by implementing the quantum-enhanced version of the K nearest neighbors algorithm. This paper first understands the mathematical intuition for the implementation of quantum feature space and successfully simulates quantum properties and algorithms like Fidelity and Grover's Algorithm via the Qiskit python library and the IBM Quantum Experience platform. The primary experiment of this research is to build a noisy variational quantum circuit KNN (QKNN) which mimics the classification methods of a traditional KNN classifier. The QKNN utilizes the distance metric of Hamming Distance and is able to outperform the existing KNN on a 10-dimensional Breast Cancer dataset.

研究动机与目标

• 为解决经典核方法机器学习分类器因特征空间有限且难以估计而导致的可扩展性和计算效率低下问题。
• 探索量子计算（特别是叠加和纠缠）如何增强经典机器学习算法（如KNN）。
• 设计并模拟一种基于噪声变分量子线路的KNN（QKNN）分类器，利用量子特征空间以提升分类性能。
• 验证在近期噪声量子计算环境中，量子增强特征表示的可行性和性能增益。
• 证明量子增强特征空间可将高维特征空间的存储复杂度从指数级降低至线性，同时提升分类准确率。

提出的方法

• 本文使用变分量子线路实现量子增强的KNN（QKNN）分类器，将经典数据编码到高维量子希尔伯特空间中。
• 通过参数化量子线路构建量子特征空间，利用量子叠加和纠缠表示复杂非线性数据模式。
• 采用汉明距离度量作为量子态向量之间的量子距离度量，通过量子线路测量和后处理计算得出。
• QKNN模型利用量子并行性同时评估多个最近邻候选者，相比经典枚举方法显著降低计算成本。
• 使用Qiskit和IBM Quantum Experience平台进行仿真，以模拟含噪声的NISQ设备。
• 利用保真度估计和Grover算法作为基础量子原语，验证量子态制备和搜索效率的正确性。

实验结果

研究问题

• RQ1 量子特征空间是否能显著提升经典KNN分类器在准确率和计算效率方面的性能？
• RQ2 在近期含噪声的量子设备上，变分量子线路在多大程度上能增强经典机器学习？
• RQ3 在量子希尔伯特空间中使用量子并行性和汉明距离是否能降低KNN分类的计算负担？
• RQ4 在NISQ约束条件下，QKNN模型与经典KNN在真实世界数据集上的分类准确率相比如何？
• RQ5 量子增强特征表示能否将高维特征空间的存储复杂度从指数级降低至线性？

主要发现

• QKNN模型在10维乳腺癌数据集上的表现优于经典KNN，通过量子增强特征表示实现了更高的分类准确率。
• 通过变分量子线路实现的量子特征空间将特征空间的有效存储复杂度从指数级降低至线性，显著提升了可扩展性。
• QKNN模型中的量子并行性实现了对多个候选邻居的高效并行评估，降低了计算开销。
• 使用Qiskit和IBM Quantum Experience的仿真结果证实，QKNN可在当前含噪声的量子硬件上实现，并获得有意义的性能增益。
• 将量子距离度量（如汉明距离）集成到经典学习框架中，为近期实现量子优势在机器学习中的应用提供了可行路径。
• 保真度和Grover算法的仿真验证了QKNN流程中量子态制备与测量过程的正确性与鲁棒性。