基于自编码器和量子支持向量机的混合量子-经典特征提取图像分类方法

为了利用量子计算机执行图像分类等机器学习任务，需要仔细考量：NISQ时代的量子计算机存在局限性，包括噪声、可扩展性、读写时间和门操作时间。因此，应制定策略以减轻复杂数据集对量子机器学习流水线整体效率的影响，否则可能导致过度的资源需求或增加的噪声。我们应用一种受ResNet10启发的卷积自编码器的经典特征提取方法，在将数据输入量子机器学习模块之前，降低数据集维度并提取抽象且有意义的特征。所选的量子模块是量子增强支持向量机(QSVM)，因为支持向量机通常不需要大量样本即可识别数据中的模式，并且具有短深度量子电路，从而限制了噪声的影响。自编码器通过图像重建训练以提取有意义的特征，旨在最小化训练集上的均方误差。使用三个图像数据集来说明该流水线：HTRU-1、MNIST和CIFAR-10。对于高度不平衡的HTRU-1数据集，我们还包含了量子增强单类支持向量机(QOCSVM)，以及作为基准的经典机器学习结果。最后，还加入了HTRU-2数据集作为具有良好相关特征数据集的基准。自编码器在MNIST上实现了近乎完美的重建和高分类准确率，而CIFAR-10由于图像复杂性表现较差，HTRU-1则因数据集不平衡而表现不佳。这凸显了在通过经典特征提取进行降维与使用量子方法进行预测性能之间取得平衡的必要性。