INVESTIGATION OF HYBRID QUANTUM-CLASSICAL ALGORITHMS FOR MACHINE LEARNING

Аннотация

Аннотация. Архитектуры систем HQML основываются на интеграции квантового кодирования признаков с классическими методами оптимизации, что позволяет использовать их в рамках ограничений устройств NISQ. В данной статье мы представляем систематический обзор литературы по HQML за период с 2018 по 2026 год, включая знаковые работы, опубликованные с 2014 года. В соответствии с подходом, основанным на рекомендациях PRISMA, было проанализировано 1 247 статей, в результате чего для всесторонней оценки было отобрано 40 ключевых работ. Мы сосредоточиваемся на VQA, QNN и PQC, используемых для задач классификации и оптимизации в сфере здравоохранения и финансов. Рассматриваются несколько нерешенных технических проблем, таких как проблема «бесплодного плато» и нагрузка, связанная с кодированием данных. Результаты показывают, что гибридные подходы демонстрируют стабильные преимущества в условиях недостатка данных и дисбаланса классов: повышение точности на 0,3–2,5 % на небольших медицинских наборах данных и столь же эффективную, но экономную с точки зрения данных производительность по сравнению с XGBoost при обнаружении финансового мошенничества. В нашем исследовании выделено пять ключевых областей, требующих дальнейших исследований, причем наиболее значимыми из них являются отсутствие стандартных тестов и анализ кривой обучения.