Embedding-Bewuste Kwantum-Klassieke SVM's voor Schaalbaar Kwantum Machine Learning

Samenvatting

Quantum Support Vector Machines kampen met schaalbaarheidsuitdagingen vanwege hoogdimensionale kwantumtoestanden en hardwarebeperkingen. Wij stellen een embedding-aware kwantum-klassieke pipeline voor die klasse-gebalanceerde k-means distillatie combineert met voorgetrainde Vision Transformer embeddings. Onze belangrijkste bevinding: ViT-embeddings maken uniek kwantumvoordeel mogelijk, met nauwkeurigheidsverbeteringen tot 8,02% ten opzichte van klassieke SVM's op Fashion-MNIST en 4,42% op MNIST, terwijl CNN-features prestatieverlies laten zien. Met behulp van 16-qubit tensor netwerk simulatie via cuTensorNet, leveren we het eerste systematische bewijs dat kwantumkernelvoordeel kritisch afhangt van de keuze van de embedding, wat een fundamentele synergie onthult tussen transformer attention en kwantum feature spaces. Dit biedt een praktische weg naar schaalbare kwantum machine learning die moderne neurale architecturen benut.

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.