Enhanced Machine Learning Applications using Automated Quantum Architecture Search: Employing Meta-Learning and Evolutionary Algorithms
Notice bibliographique
Résumé
Quantum computing combined with machine learning, is a promising emerging field for tackling problems that are extremely expensive or fundamentally infeasible for classical computers. Nonetheless, design of the optimal quantum circuit for machine learning is a major challenge, which can be attributed to the exponential search space of the quantum gate arrangement and unmatched structured design methods. To resolve this, our work introduces a novel automated framework for quantum architecture search (AQAS) that adopts both meta-learning and evolutionary algorithms to automatically learn, transfer, and optimize quantum circuit architectures to suit different machine learning tasks. Our strategy relies on meta-learning to introduce a learning scheme, i.e. it allows the AQAS system to generalize across distributions by learning from a shared structural and functional prior from the distribution of machine learning problems. This enables the approach to quickly home in effective quantum circuit implementations for new tasks with low data or retraining. At the same time, we use evolutionary algorithms– mimicking natural selection– to breed populations of quantum circuit architectures. These circuits are represented in genotypes, are varied under mutation and crossover, and are selected according to a fitness function that blends quantum resource utilization (e.g., depth, qubits) with task-specific performance (e.g., classification accuracy or loss). The architecture is realized in a mixed quantum-classical environment, with quantum circuits simulated on quantum simulators and/or Noisy-Intermediate-Scale-Quantum (NISQ) devices. We verify the effectiveness of our approach on a number of benchmarked datasets and tasks which range from quantum-aided image recognition, time series prediction to medical diagnostics. We demonstrate that AQAS can discover compact, high-performing quantum models, which generalize better and are computationally more efficient than the custom-built quantum models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».