量子厨房水槽：一种面向近-term量子计算机的机器学习算法

含噪中等规模量子计算设备是探索近-term量子应用能力的令人兴奋的平台。在此类设备上执行非平凡任务需要与纠错量子计算机上所用方法根本不同的思路。其中一种方法是使用混合算法，将问题化简为参数化量子线路，并常在经典反馈回路中优化。本文基于称为随机厨房水槽的经典算法，描述了一种用于机器学习任务的混合算法。我们的技术称为量子厨房水槽，利用量子线路将经典输入非线性地变换为特征，这些特征可用于多种机器学习算法。我们通过将其用于合成数据集以及 MNIST 数据库中的手写数字的二分类问题，展示了该方案的威力与灵活性。使用 Rigetti 量子虚拟机，我们表明小型量子线路相较标准线性经典算法提供了显著的性能提升，在这两个例子中分别将分类错误率从 50% 降至 $<0.1\%$，以及从 $4.1\%$ 降至 $1.4\%$。此外，我们能够在 Rigetti 量子处理单元上运行使用全尺寸 MNIST 图像的 MNIST 分类问题，发现相较线性基线有适度的性能提升。