SVMs Cuántico-Clásicos Conscientes de Incrustaciones para Aprendizaje Automático Cuántico Escalable

Resumen

Las Máquinas de Vectores de Soporte Cuánticas enfrentan desafíos de escalabilidad debido a los estados cuánticos de alta dimensionalidad y las limitaciones del hardware. Proponemos una arquitectura cuántico-clásica consciente del embedding que combina la destilación de k-means con balance de clases con embeddings preentrenados de Vision Transformers. Nuestro hallazgo clave: los embeddings de ViT permiten de manera única una ventaja cuántica, logrando mejoras de precisión de hasta 8.02% sobre SVMs clásicos en Fashion-MNIST y 4.42% en MNIST, mientras que las características de CNN muestran degradación en el rendimiento. Utilizando una simulación de red tensorial de 16 qubits mediante cuTensorNet, proporcionamos la primera evidencia sistemática de que la ventaja del kernel cuántico depende críticamente de la elección del embedding, revelando una sinergia fundamental entre la atención de los transformers y los espacios de características cuánticos. Esto ofrece una vía práctica para el aprendizaje automático cuántico escalable que aprovecha las arquitecturas neuronales modernas.

English

Quantum Support Vector Machines face scalability challenges due to high-dimensional quantum states and hardware limitations. We propose an embedding-aware quantum-classical pipeline combining class-balanced k-means distillation with pretrained Vision Transformer embeddings. Our key finding: ViT embeddings uniquely enable quantum advantage, achieving up to 8.02% accuracy improvements over classical SVMs on Fashion-MNIST and 4.42% on MNIST, while CNN features show performance degradation. Using 16-qubit tensor network simulation via cuTensorNet, we provide the first systematic evidence that quantum kernel advantage depends critically on embedding choice, revealing fundamental synergy between transformer attention and quantum feature spaces. This provides a practical pathway for scalable quantum machine learning that leverages modern neural architectures.