面向量子机器学习的随机纠缠配置：构造性纠缠拓扑及其用于心脏 MRI 的应用
量子物理
2025-12-24 v1 计算机视觉与模式识别
新兴技术
机器学习
摘要
高效的纠缠策略对于推动变分量子电路 (VQC) 用于量子机器学习 (QML) 至关重要。然而,大多数现有方法使用固定的纠缠拓扑,且无法适应任务需求,限制了相对于经典模型的潜在收益。我们引入一种新颖的随机纠缠配置方法,系统生成多样化的纠缠拓扑,以识别一组有助于提升混合模型性能 (如分类准确率) 的构造性纠缠配置,定义为超越经典基准的纠缠拓扑。每种配置编码为随机二进制矩阵,表示量子比特之间的定向纠缠。这使得能够使用纠缠密度和每量子比特约束等关键指标对候选纠缠拓扑的 hyperspace 进行可扩展探索。我们定义了无约束和受约束的抽样模式,控制每个量子比特的纠缠。使用我们的方法,生成并评估了 400 个随机配置用于心脏 MRI 疾病分类的混合 QML。我们识别出 64 个 (16%) 新颖的构造性纠缠配置,这些配置持续地超越了经典基准。对顶级表现配置的集成聚合实现了约 0.92 的分类准确率,超过经典模型 (~0.87) 超过 5%。与四种常规拓扑 (环形、最近邻、无纠缠、完全纠缠) 相比,没有一种超过了经典基准 (最高准确率 ~0.82),而我们的方法实现了最高可达约 20% 的准确率提升。因此,凸显了所识别构造性纠缠的稳健性和可推广性。
引用
@article{arxiv.2507.11401,
title = {Stochastic Entanglement Configuration for Constructive Entanglement Topologies in Quantum Machine Learning with Application to Cardiac MRI},
author = {Mehri Mehrnia and Mohammed S. M. Elbaz},
journal= {arXiv preprint arXiv:2507.11401},
year = {2025}
}
备注
Accepted for publication at IEEE International Conference on Quantum Computing and Engineering (QCE) 2025