小量子计算机上的大数据应用

当前的量子硬件禁止直接使用大型经典数据集。核心集（Coresets）允许对这些大型数据集进行简洁描述，并且其在计算任务中的解与原始数据集上的解具有竞争力。将核心集与小型量子计算机结合以解决需要大量数据点的给定任务的方法，最初由Harrow提出[arXiv:2004.00026]。在本文中，我们将核心集方法应用于三个不同的、被广泛研究的经典机器学习问题，即分裂聚类（Divisive Clustering）、3-均值聚类（3-means Clustering）和高斯混合模型聚类（Gaussian Mixture Model Clustering）。我们为上述问题提供了哈密顿量表述，其中量子比特的数量与核心集的大小成线性关系。然后，我们评估了变分量子本征求解器（VQE）在这些问题上的表现，并展示了核心集在与小型量子计算机一起使用时的实际效率。我们在CUDA Quantum上对规模高达25个量子比特的实例进行了无噪声模拟，并表明我们的方法提供了与经典求解器相当的性能。