IA e os Problemas Difíceis do Mundo · Física quântica e computação quântica · arXiv · 2026-10-20
Otimização Guiada por Protótipos de Embeddings de Dados Quânticos com Custo Linear
Título original: Prototype-Guided Optimization of Quantum Data Embeddings with Linear Cost
No aprendizado de máquina quântico supervisionado, otimizar embeddings quânticos de dados é custoso, porque os métodos existentes avaliam a fidelidade entre todos os pares de amostras, com escala O(B²). Os autores propõem um objetivo guiado por protótipos que exige apenas O(B) avaliações de fidelidade e o integram a um pipeline que também otimiza a arquitetura do circuito. Em cinco benchmarks com até 20 qubits, o método se mantém competitivo com SVMs de kernel quântico e reduz o custo de avaliação, com ganhos notáveis sobre a otimização par a par no T-MNIST.