SVM Quantiques-Classiques Conscients des Embeddings pour un Apprentissage Automatique Quantique Évolutif

papers.abstract

Les Machines à Vecteurs de Support Quantiques rencontrent des défis de scalabilité dus aux états quantiques de haute dimension et aux limitations matérielles. Nous proposons un pipeline quantique-classique conscient de l'incorporation, combinant une distillation k-means équilibrée en classes avec des incorporations pré-entraînées de Vision Transformer. Notre découverte clé : les incorporations ViT permettent de manière unique un avantage quantique, atteignant des améliorations de précision allant jusqu'à 8,02 % par rapport aux SVM classiques sur Fashion-MNIST et 4,42 % sur MNIST, tandis que les caractéristiques CNN montrent une dégradation des performances. En utilisant une simulation de réseau tensoriel à 16 qubits via cuTensorNet, nous fournissons la première preuve systématique que l'avantage du noyau quantique dépend de manière critique du choix de l'incorporation, révélant une synergie fondamentale entre l'attention des transformateurs et les espaces de caractéristiques quantiques. Cela offre une voie pratique pour l'apprentissage automatique quantique scalable qui exploite les architectures neuronales modernes.

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.