L'IA face aux grands problèmes du monde · Physique quantique et informatique quantique · arXiv · 2026-10-20
Optimisation guidée par prototypes des encodages de données quantiques à coût linéaire
Titre original: Prototype-Guided Optimization of Quantum Data Embeddings with Linear Cost
En apprentissage automatique quantique supervisé, l'optimisation des plongements de données quantiques est coûteuse, car les méthodes existantes évaluent la fidélité entre chaque paire d'échantillons, avec une complexité en O(B²). Les auteurs proposent un objectif guidé par des prototypes qui ne nécessite que O(B) évaluations de fidélité et l'intègrent dans une chaîne de traitement qui optimise également l'architecture du circuit. Sur cinq jeux de référence allant jusqu'à 20 qubits, il reste compétitif face aux SVM à noyau quantique tout en réduisant le coût d'évaluation, avec des gains notables par rapport à l'optimisation par paires sur T-MNIST.