Qmes: meta-apprendimento quantistico per la selezione delle codifiche nei metodi dei kernel quantistici

Abstract degli autori

Selezionare un circuito quantistico di codifica efficace è una sfida fondamentale nei metodi dei kernel quantistici, perché mappe di feature diverse possono portare a prestazioni diverse. I metodi convenzionali richiedono di costruire e valutare ogni circuito per ciascun nuovo dataset, con costi computazionali elevati. Presentiamo Qmes, un pacchetto Python open source che raccomanda automaticamente circuiti tramite meta-apprendimento. Qmes caratterizza un dataset usando misure classiche di complessità e interroga un modello preaddestrato per raccomandare circuiti senza valutazioni quantistiche in fase di inferenza. Il pacchetto fornisce componenti modulari per l’estrazione di meta-feature, la valutazione dei kernel quantistici, l’addestramento del sistema di raccomandazione, la selezione del modello e l’estensione con circuiti definiti dall’utente. Valutiamo Qmes su 105 dataset benchmark di classificazione e 86 di regressione. Rispetto a una baseline non adattiva, Qmes riduce il rimpianto medio delle raccomandazioni di 2,2 volte per la classificazione e di 4,2 volte per la regressione; la significatività statistica è confermata da un test dei ranghi con segno di Wilcoxon per dati appaiati ($p < 10^{-4}$). Qmes consente quindi una selezione efficiente e pratica dei circuiti di codifica nei metodi dei kernel quantistici.