La IA y los problemas difíciles del mundo · Física cuántica y computación cuántica · arXiv · 2026-10-20
Optimización guiada por prototipos de incrustaciones de datos cuánticos con costo lineal
Título original: Prototype-Guided Optimization of Quantum Data Embeddings with Linear Cost
En el aprendizaje automático cuántico supervisado, optimizar las incrustaciones de datos cuánticos resulta costoso porque los métodos existentes evalúan la fidelidad entre cada par de muestras, con una escala de O(B²). Los autores proponen un objetivo guiado por prototipos que solo necesita O(B) evaluaciones de fidelidad y lo integran en un flujo de trabajo que también optimiza la arquitectura del circuito. En cinco benchmarks con hasta 20 qubits, se mantiene competitivo con las SVM de kernel cuántico y reduce el costo de evaluación, con mejoras notables frente a la optimización por pares en T-MNIST.