Vai al contenuto
Quantum.world

The Signal

Il boosting ha richiesto meno esecuzioni di circuiti rispetto alla PEC nel machine learning quantistico simulato

Un nuovo preprint confronta il boosting di classificatori quantistici rumorosi con la cancellazione probabilistica degli errori e rileva costi di esecuzione dei circuiti inferiori per il boosting in molti casi simulati. Lo studio testa circuiti a quattro qubit in simulazioni di classificazione binaria, non su hardware quantistico.

Il boosting ha richiesto meno esecuzioni di circuiti rispetto alla PEC nel machine learning quantistico simulato

Un confronto specifico per il compito

Un approccio di boosting alla classificazione quantistica rumorosa ha richiesto meno esecuzioni di circuiti rispetto alla cancellazione probabilistica degli errori in 39 su 56 confronti simulati, secondo un nuovo preprint su arXiv. Il metodo combina classificatori quantistici imperfetti invece di tentare prima di ricostruire l’output ideale, privo di rumore, di ciascun classificatore.

Il preprint, presentato il 19 novembre 2026, si intitola «Oltre la mitigazione degli errori: usare il boosting per il machine learning quantistico rumoroso». Il lavoro è stato scritto da Anastasiia Lukianenko, Yash J. Patel, Nurbolat Kenbayev e Vedran Dunjko.

Il confronto si concentra sulla classificazione binaria supervisionata. In questo compito, la correttezza della previsione dipende dal segno e dal margine dell’output del classificatore, anziché dalla ricostruzione accurata di ogni valore di aspettazione privo di rumore. Il preprint sostiene che recuperare ogni valore di aspettazione ideale potrebbe essere più di quanto richieda il compito di apprendimento.

Che cosa dovevano fare i metodi

I ricercatori hanno confrontato AdaBoostR e Real AdaBoost con la cancellazione probabilistica degli errori, o PEC. La PEC stima i valori di aspettazione ideali dei circuiti a partire da esecuzioni rumorose mediante una procedura di campionamento; il calcolo delle risorse del lavoro applica il suo overhead di campionamento al costo misurato di un apprendente di riferimento. Il boosting, invece, addestra circuiti quantistici rumorosi come classificatori deboli e ne combina le previsioni.

Entrambi gli approcci sono stati valutati rispetto a obiettivi di apprendimento comuni. Lo studio ha conteggiato le esecuzioni di circuiti necessarie per raggiungere un obiettivo specificato di perdita empirica del margine e ha confrontato separatamente le risorse necessarie per raggiungere un obiettivo di accuratezza di validazione. Gli autori hanno valutato anche l’accuratezza sul test, che non è stata usata per fissare tali obiettivi.

Lo studio numerico ha usato una configurazione teacher–student: i circuiti teacher generavano le etichette e circuiti student separati venivano addestrati per prevederle. Le simulazioni hanno usato circuiti a quattro qubit, con profondità da uno a cinque e rumore depolarizzante locale ai gate. Il confronto sull’intera griglia ha usato costi PEC proiettati, mentre i ricercatori hanno simulato direttamente il campionamento PEC in impostazioni selezionate.

Risultati e limiti

Il preprint riporta che il boosting ha richiesto meno esecuzioni di circuiti in 39 su 56 confronti tra algoritmi, profondità, intensità del rumore e obiettivi di apprendimento. Per l’obiettivo di classificazione, il vantaggio in termini di costo è generalmente aumentato con il rumore fisico, ma l’andamento al variare della profondità dei circuiti non è stato uniforme. Si tratta di risultati di simulazione, non di misurazioni effettuate su un processore quantistico.

Anche le prestazioni sul test hanno favorito il boosting nei confronti aggregati dello studio. La differenza mediana nell’accuratezza sul test è stata positiva in tutti i 36 confronti riportati per quell’analisi, sebbene in alcuni singoli compiti con teacher il riferimento abbia ottenuto risultati migliori. Per la classificazione, tutte le 22 celle metodo–profondità–rumore che soddisfacevano la soglia di rendicontazione del lavoro hanno mostrato una differenza mediana positiva; la mediana su queste celle è stata di 2,15 punti percentuali.

Gli autori affermano che i risultati dipendono da un protocollo di addestramento assistito da simulatore e da una particolare convenzione per il conteggio delle risorse. Indicano i test su hardware, modelli di rumore più realistici e compiti con un vantaggio quantistico rispetto al classico stabilito in modo indipendente come ambiti di lavoro futuro.

Fonti

  1. Fonte originale · Preprint Beyond Error Mitigation: Using Boosting for Noisy Quantum Machine Learning arXiv:2611.25752

Notizie correlate

Esplora

Altri articoli