KI und die schwierigen Probleme der Welt · Quantenphysik & Quantencomputing · arXiv · 2026-10-20
Prototypengeleitete Optimierung von Quantendaten-Einbettungen mit linearem Aufwand
Originaltitel: Prototype-Guided Optimization of Quantum Data Embeddings with Linear Cost
Beim überwachten Quantenmaschinenlernen ist die Optimierung von Quantendaten-Einbettungen aufwendig, da bestehende Methoden die Fidelity zwischen jedem Probenpaar auswerten, was mit O(B²) skaliert. Die Autoren schlagen ein prototypgeleitetes Ziel vor, das nur O(B) Fidelity-Auswertungen benötigt, und integrieren es in eine Pipeline, die zusätzlich die Schaltkreisarchitektur optimiert. Über fünf Benchmarks mit bis zu 20 Qubits bleibt es gegenüber Quantenkernel-SVMs wettbewerbsfähig und senkt zugleich den Auswertungsaufwand, mit deutlichen Verbesserungen gegenüber der paarweisen Optimierung auf T-MNIST.