EnQode: Fast Amplitude Embedding for Quantum Machine Learning Using Classical Data

要約

振幅埋め込み（AE）は、量子機械学習（QML）では、古典的なデータを量子回路にエンコードするために不可欠です。
ただし、従来のAEメソッドは、サンプル全体の大規模なゲート使用量と可変エラー率により高い出力エラーをもたらす深い可変長さの回路に悩まされ、モデルの精度を低下させるノイズ駆動の矛盾をもたらします。
ENQODEを導入します。ENQodeは、データセットサンプルをクラスタリングし、低いマシン固有のANSATZを介してクラスター平均状態を解くことにより、これらの制限に対処する象徴的な表現に基づいた高速AE技術です。
物理的なゲートとスワップ操作を減らすために最適化されたENQODEは、回路の深さと組成を標準化することにより、すべてのサンプルが一貫した低いノイズレベルに直面することを保証します。
データマッピングに90％以上の忠実度があるため、ENQODEはノイズの多い中間スケール量子（NISQ）デバイスで堅牢で高性能QMLを有効にします。
当社のオープンソースソリューションは、古典的なデータを量子モデルと統合するためのスケーラブルで効率的な代替品を提供します。

要約(オリジナル)

Amplitude embedding (AE) is essential in quantum machine learning (QML) for encoding classical data onto quantum circuits. However, conventional AE methods suffer from deep, variable-length circuits that introduce high output error due to extensive gate usage and variable error rates across samples, resulting in noise-driven inconsistencies that degrade model accuracy. We introduce EnQode, a fast AE technique based on symbolic representation that addresses these limitations by clustering dataset samples and solving for cluster mean states through a low-depth, machine-specific ansatz. Optimized to reduce physical gates and SWAP operations, EnQode ensures all samples face consistent, low noise levels by standardizing circuit depth and composition. With over 90% fidelity in data mapping, EnQode enables robust, high-performance QML on noisy intermediate-scale quantum (NISQ) devices. Our open-source solution provides a scalable and efficient alternative for integrating classical data with quantum models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google