Classification of the Fashion-MNIST Dataset on a Quantum Computer

量子机器学习算法对工业应用的潜在影响仍然是一个令人兴奋的开放性问题。传统的将经典数据编码到量子计算机中的方法不仅对算法的潜在量子优势来说成本过高，而且也严重限制了目前硬件上可行实验的规模。因此，尽管最近的研究声称他们的算法近期适用，但并未在标准的机器学习数据集上提供实验基准。我们试图通过改进最近提出的变分算法[1]来解决数据编码问题，该算法使用渐近浅层电路，适合于当前可用的量子计算机的本地门集和拓扑，从而近似准备编码数据。我们将改进后的算法应用于编码Fashion-MNIST数据集[2]，这可以直接用于未来的量子机器学习算法的实证研究。我们在当前的量子计算机ibmq-kolkata[3]上部署简单的量子变分分类器，对编码数据集进行训练，取得了适度的准确性，为我们的数据编码方法的近期可用性提供了概念证明。

本论文旨在解决量子机器学习算法在工业应用中数据编码问题，提出了一种使用渐进浅层电路对数据进行编码的算法。

本论文的关键思路是改进了一种近期提出的变分算法，使用适应当前可用量子计算机的本地门集和拓扑结构的渐进浅层电路来近似准备编码数据。

本论文将改进的算法应用于Fashion-MNIST数据集，并在当前量子计算机ibmq-kolkata上部署了简单的量子变分分类器，取得了中等精度，证明了算法的近期可用性。值得关注的是，该论文提供了可用于未来量子机器学习算法实证研究的编码数据集，并且开源了代码。

近期的相关研究包括：[1] Variational Quantum Classifier with a Quantum Co-processor for Data Encoding; [2] Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms; [3] IBM Quantum Experience.